上期，我们介绍了基础的RAG的基本概念，以及如何用LazyLLM实现一个基础的RAG。本期我们将深入介绍LazyLLM的特性，以Lazy的方式，逻辑更加清晰地构建出一个以数据流为核心范式的RAG应用~
在本次教程中，您不仅可以学习到LazyLLM中的各种数据流的使用，还可以更加深入地学到如何使用在线和本地的大模型，并为它们设置上Prompt，同时还可以复用同一个本地大模型来构建多个不同角色的大模型。最后本喵将带领您一步步优化上期RAG，以LazyLLM中的数据流来重构基础RAG!
LazyLLM 是一款构建多Agent大模型应用的开发框架，协助开发者用极低的成本构建复杂的AI应用，并可以持续的迭代优化效果。基于LazyLLM的AI应用构建流程是：
原型搭建 → 数据分析 → 迭代优化
用户可以先基于LazyLLM快速跑通应用的原型，再结合场景任务数据进行bad-case分析，然后对应用中的关键环节进行算法迭代和模型微调，进而逐步提升整个应用的效果。LazyLLM 的设计目标是让算法研究员和开发者能够从繁杂的工程实现中解脱出来，从而专注算法和数据。
LazyLLM为同一模块的不同技术选型提供了一致的使用体验 – 统一调用、统一服务、统一部署。
对于初级开发者，LazyLLM 彻底简化了AI应用的构建过程。用户不必了解不同模型 API 服务的构建细节，无需在微调模型时选择框架或切分模型，也不需要掌握任何Web开发知识，通过预置的组件和简单的拼接操作，初级开发者便能轻松构建出具备生产价值的工具。
对于资深的专家，LazyLLM 提供了极高的灵活性，为开发者提供了无限的可能性。其模块化设计支持高度的定制与扩展，使用户能够轻松集成自有算法、行业领先的生产工具以及最新的技术成果，从而快速构建适配多样化需求的强大应用。
本教程主要介绍 LazyLLM 的基本使用方法，读完本教程，您将学会 LazyLLM 最基本的用法和核心设计思路，可以自己搭建一个简单的聊天机器人，为其指定角色并进行聊天。
环境准备
如果您的电脑上安装了Python，请通过下方命令安装基础的LazyLLM及必要的依赖包。（更多LazyLLM的安装细节，见上期的教程的环境准备部分。）
📌从Pip安装
pip
install lazyllm
📌从源码安装
git
clone
https://github.com/LazyAGI/LazyLLM.git
cd
LazyLLM
pip3 install -r requirements.txt
export
PYTHONPATH=
$PWD
:
$PYTHONPATH
调用大模型
LazyLLM支持调用线上模型和本地模型，为二者提供了一致的使用体验，做到模型即黑盒，您只需关注输入输出及相关参数的具体取值，而无需研究不同模型调用上的差异。
1
调用在线大模型
LazyLLM 通过 OnlineChatModule 统一调用线上大模型接口，不管您使用的OpenAPI接口还是SenseNova接口，或者是其他平台提供的接口，LazyLLM均为您进行了规范的参数封装，您只需要根据自己的需求将模型名称等参数传给对应的模块即可。
🚨注意，您需要在开始调试前，将您的API key设置为环境变量，如您没有指定任何环境变量程序将报错。您可以参考上期教程进行设置，例如当您需要访问SenseNova时，您需要设定环境变量:
export
LAZYLLM_SENSENOVA_API_KEY
=
"..."
export
LAZYLLM_SENSENOVA_SECRET_KEY
=
"..."
如果您只配置了一个平台的API key，则无需指定平台名称，直接调用 OnlineChatModule 即可。如果配置了多个平台的API key，在没指定平台名称的情况下，会按照openai>sensenova>glm>kimi>qwen的顺序进行平台查找。当您需要指定具体平台时，需要为OnlineChatModule传入平台名称；如果需要指定具体模型，则需要传入对应模型名称。
llm
= lazyllm.
On
lineChatModule(source=
"sensenova"
)
# 指定具体模型
sensechat
= lazyllm.
On
lineChatModule(
"sensenova"
, model=
"SenseChat-5"
)
下面我们使用LazyLLM调用一个线上模型（已在环境变量中设置了SenseNova相关的KEY）。
import
lazyllm
online_model
=
lazyllm.OnlineChatModule()
print(online_model(
"你好，你是谁?"
))
如果您没有开通相应的模型服务，可以通过输入 model 参数指定模型，例如：
import lazyllm
online_model = lazyllm.OnlineChatModule(
source
=
"sensenova"
, model=
"DeepSeek-V3"
)
print
(online_model(
"你好，你是DeepSeek吗？"
))
2
调用本地大模型
LazyLLM 中的 TrainableModule 为所有本地模型(包括llm、Embedding、多模态模型等)提供服务，可用于本地模型的训练、微调和推理。调用本地大模型依赖于其推理服务，我们回顾一下使用本地模型进行推理的步骤：
1️⃣通过推理框架启动本地模型服务；
2️⃣在python脚本中进行接口调用。
LazyLLM提供了一种非常 lazy 的实现方式，只需将模型所在的路径传入 LazyLLM 的TrainableModule然后通过start()函数启动服务即可。这里需要您传入模型文件的绝对路径，或者配置环境变量LAZYLLM_MODEL_PATH指定模型所在的目录，然后将模型名称传入TrainableModule。
如果您本地没有该模型，LazyLLM会为您下载对应模型并存入模型缓存目录，默认情况下会下载到您的家目录下的 “.lazyllm/model” 目录；您可以通过配置 “LAZYLLM_MODEL_CACHE_DIR”环境变量指定模型缓存目录。
值得一提的是 LazyLLM 支持多种推理框架，如：LightLLM 和 vLLM等，在不指定明确框架下LazyLLM会根据模型大小和测试数据等信息，自动为用户选择合适的推理框架。如果要明确指定一个推理框架，我们可以这么来设定：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/chat_local.py#L1）
import
lazyllm
from
lazyllm
import
deploy
llm = lazyllm.TrainableModule(
'internlm2-chat-7b'
).\
deploy_method((deploy.Vllm, {
'port'
:
8081
,
'host'
:
'0.0.0.0'
,
})).start()
res = llm(
'hi'
)
print
(
"大模型的输出是："
, res)
上面代码中，使用deploy_method来配置推理框架：
- deploy.Vllm 指定使用vLLM作为推理引擎；
- host 和port 参数分别指定了服务部署时候的IP和地址。
3
Prompt配置使用
Prompt 是指在自然语言处理（NLP）或人工智能（AI）系统中输入给模型的文本或指令，是与模型交互的主要方式。Prompt 不仅是用户输入的文本，它在很多情况下是模型理解任务的关键，通过设计合适的 Prompt，我们可以引导模型以特定的方式生成所需的响应。
Prompt 的主要作用是给模型提供任务的上下文信息，比如在对话中，模型会根据预定义的系统说明和用户输入进行回复。不同的提示会引导模型生成不同的答案。因此，Prompt 的设计直接影响到生成内容的质量、准确性和相关性。利用大模型进行问答系统时，我们可以通过 Prompt 指定大模型扮演的角色以及回答问题的风格等。
📌基础的Prompt
使用 LazyLLM 提供的 Prompt 模板，您只需要在初始化大模型时通过如下语法进行定义，在调用时直接传入用户输入即可。下面定义了两个大模型llm1和llm2，llm1是一个默认的在线大模型，llm2是一个自定义了prompt的在线大模型：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/prompt_with_llm_base.py#L1）
import
lazyllm
llm1 = lazyllm.OnlineChatModule()
llm2 = lazyllm.OnlineChatModule().prompt(
"你是一只小猫，在每次回答问题之后都要加上喵喵喵"
)
print
(
'普通情况下模型的输出: '
, llm1(
'你好'
))
print
(
'自定义Prompt后模型的输出: '
, llm2(
'你好'
))
让我们看看上述代码的输出：
普通情况下模型的输出: 你好！有什么我可以帮助你的吗？
自定义Prompt后模型的输出: 你好，有什么我可以帮助你的吗？喵喵喵
看可以看到在自定义prompt模板后，大模型按照我们的要求在回答后加上了“喵喵喵”。
📌动态的Prompt
后面我们会遇到prompt中需要植入额外的内容，此时我们就可以在prompt中插入了一个变量作为占位符，然后在推理的过程中该变量可以替换为我们希望的内容。为了实现这样一种动态的Prompt，具体让我们来看一下这个例子：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/prompt_with_llm_placeholder.py#L1）
import
lazyllm
llm2 = lazyllm.OnlineChatModule().prompt(
"根据给出的文段回答问题，文段：{content}"
)
passage = (
'孙悟空，是在小说《西游记》当中唐僧的四个徒弟之一，排行第一，别名孙行者、孙猴子。'
'自封美猴王、齐天大圣。因曾在天庭掌管御马监而又被称为弼马温，在取经完成后被如来佛祖授封为斗战胜佛'
)
# 下面打印promt_content仅做展示，实际不需要：
prompt_content = llm2._prompt.generate_prompt({
'input'
:
'孙悟空有哪些名字？'
,
'content'
:passage}, return_dict=
True
)
print
(prompt_content)
# 模型推理：
print
(llm2({
'input'
:
'孙悟空有哪些名字？'
,
'content'
:passage}))
上面例子中，我们希望在推理过程中，能把文段信息替换{content}，这里我们取了个变量名叫做content，您可以取任意其他变量名（除了input）。
接下来我们根据内容用generate_prompt拼接了内容 (其中return_dict用于线上模型的格式输出，默认会是线下模型的格式输出，这里我们用的模型是在线QWen大模型，所以需要开启这个参数，否则输出格式就是线下的格式)，这里我们打印查看了一个它拼接成的内容print(prompt_content)：
{
'messages'
: [{
'role'
:
'system'
,
'content'
:
'You are a large-scale language model from Alibaba Cloud, your name is Tongyi Qianwen, and you are a useful assistant.\n根据给出的文段回答问题，文段：孙悟空，是在小说《西游记》当中唐僧的四个徒弟之一，排行第一，别名孙行者、孙猴子。自封美猴王、齐天大圣。因曾在天庭掌管御马监而又被称为弼马温，在取经完成后被如来佛祖授封为斗战胜佛\n\n'
}, {
'role'
:
'user'
,
'content'
:
'孙悟空有哪些名字？'
}]}
未开启return_dict下的拼接内容展示：
'You are a large-scale language model from Alibaba Cloud, your name is Tongyi Qianwen, and you are a useful assistant.根据给出的文段回答问题，文段：孙悟空，是在小说《西游记》当中唐僧的四个徒弟之一，排行第一，别名孙行者、孙猴子。自封美猴王、齐天大圣。因曾在天庭掌管御马监而又被称为弼马温，在取经完成后被如来佛祖授封为斗战胜佛\n\n\n\n\n\n孙悟空有哪些名字？\n\n'
从拼接后的模板内容可以看到这是符合我们的预期的：内容被动态拼接到了Prompt模板中，接下来，我们查看送入大模型后输出的实际效果：
孙悟空有以下几个名字和别称：
1.
孙行者
2.
孙猴子
3.
美猴王（自封）
4.
齐天大圣（自封）
5.
弼马温（曾掌管天庭御马监）
在取得真经后，他还被如来佛祖授封为“斗战胜佛”。
可以看到模型根据我们的需求正确从文本段中提取出来了内容。
📌独立的Prompt
前面介绍的Prompt都是在大模型上直接设置的，有时候我们需要单独先定义好一个Prompt，然后再给它设置给大模型来使用（这样定义好一个Prompt就可以设置给不同的大模型使用了）。LazyLLM主要有两种Prompt：AlpacaPrompter 和 ChatPrompter(前面其实用到的都是这种ChatPrompter)。它们两者主要是格式不一样，具体来说：
AlpacaPrompter:
{system}\n{instruction}\n{tools}\n{user}
### Response:\n
ChatPrompter：
{sos}{system}{instruction}{tools}{eos}\n\n{
history
}\n{soh}\n{user}{input}\n{eoh}{soa}\n
其中：
- instruction: 任务指令，我们前面设置的Prompt内容主要就是这个部分；
- history: 历史对话，由用户的输入得到，格式为 [[a, b], [c, d]] 或 [{“role”: “user”, “content”: “”}, {“role”: “assistant”, “content”: “”}]
- tools: 可以使用的工具，在构造 prompter 时传入或者由用户使用时传入，当构造 prompter 时定义了工具之后，将禁止用户使用时再次传入。格式为 [{“type”: “function”, “function”: {“name”: “”, “description”: “”, “parameters”: {}, “required”: []}]
- user: 用户级指令，可选指令。由用户通过 instruction指定，如果 instruction是字符串，则默认是系统指令，如果是字典，且其键值只能是 system 和 user 。system 指定的是系统级指令， user 指定的是用户级指令。
由模型归属信息自动填入的参数（用户和开发者都不用关心如何填入这部分信息，LazyLLM会自动处理，这里做了解就好）：
- system: 系统提示，一般会读取模型的归属信息并进行设置（当设置到某个模型上后会自动设置上），如不设置默认为 You are an AI-Agent developed by LazyLLM. ；
- sos: start of system , 标志着系统提示的开始；
- eos: end of system , 标志着系统提示的结束；
- soh: start of human , 标志着用户输入的开始；
- eoh: end of human , 标志着用户输入的结束；
- soa: start of assistant , 标志着模型输出的开始；
- eoa: end of assistant , 标志着模型输出的结束；
让我们先看看这两种独立的Prompt的拼合效果：
假设文段和用户提问是：
import
lazyllm
passage
=
(
'孙悟空，是在小说《西游记》当中唐僧的四个徒弟之一，排行第一，别名孙行者、孙猴子。'
'自封美猴王、齐天大圣。因曾在天庭掌管御马监而又被称为弼马温，在取经完成后被如来佛祖授封为斗战胜佛'
)
query =
'孙悟空有哪些名字？'
AlpacaPrompter(独立)
prompter1 = lazyllm.AlpacaPrompter({
'system'
:
'系统指令'
,
'user'
:
'用户指令。\n### 文段内容：{content}\n### 问题：{input}\n'
})
content = prompter1.generate_prompt({
'input'
:query,
'content'
:passage})
print
(
"\n独立Prompt(Alpaca):\n"
,
repr
(content))
输出：
独立Prompt(Alpaca):
'You are an AI-Agent developed by LazyLLM.\nBelow is an instruction that describes a task, paired with extra messages such as input that provides further context if possible. Write a response that appropriately completes the request.\n\n
### Instruction:\n系统指令\n\n用户指令。\n### 文段内容：孙悟空，是在小说《西游记》当中唐僧的四个徒弟之一，排行第一，别名孙行者、孙猴子。自封美猴王、齐天大圣。因曾在天庭掌管御马监而又被称为弼马温，在取经完成后被如来佛祖授封为斗战胜佛\n### 问题：孙悟空有哪些名字？\n### Response:\n'
ChatPrompter（独立）
prompter2 = lazyllm.ChatPrompter({
'system'
:
'系统指令'
,
'user'
:
'用户指令。\n### 文段内容：{content}\n### 问题：{input}\n'
})
content = prompter2.generate_prompt({
'input'
:query,
'content'
:passage})
print
(
"\n独立Prompt(Chat):\n"
,
repr
(content))
输出：
独立Prompt(Chat):
'You are an AI-Agent developed by LazyLLM.系统指令\n\n\n\n用户指令。\n
### 文段内容：孙悟空，是在小说《西游记》当中唐僧的四个徒弟之一，排行第一，别名孙行者、孙猴子。自封美猴王、齐天大圣。因曾在天庭掌管御马监而又被称为弼马温，在取经完成后被如来佛祖授封为斗战胜佛\n### 问题：孙悟空有哪些名字？\n\n\n'
现在再让我们把它塞到模型里，让模型自动添加上和它相关的信息，这里我们选择一个本地模型InternLM2-Chat-7B。
AlpacaPrompter(带LLM)
m1 = lazyllm.TrainableModule(
"internlm2-chat-7b"
).prompt(prompter1)
res = m1._prompt.generate_prompt({
'input'
:query,
'content'
:passage})
print
(
"\n带LLM的Prompt(Alpaca):\n"
,
repr
(res))
输出：
带
LLM的Prompt
(
Alpaca
):
'
You
are an
AI
assistant whose name
is
InternLM
(书生·浦语).\n
-
InternLM
(书生·浦语)
is
a conversational language model that
is
developed by
Shanghai
AI
Laboratory
(上海人工智能实验室).
It
is
designed to be helpful, honest, and harmless.\n
-
InternLM
(书生·浦语) can understand and communicate fluently
in
the language chosen by the user such
as
English
and 中文.\nBelow
is
an instruction that describes a task, paired with extra messages such
as
input that provides further context
if
possible.
Write
a response that appropriately completes the request.\n\n###
Instruction
:\n系统指令\n\n用户指令
。
\n### 文段内容：孙悟空，是在小说
《
西游记
》
当中唐僧的四个徒弟之一，排行第一，别名孙行者
、
孙猴子
。
自封美猴王
、
齐天大圣
。
因曾在天庭掌管御马监而又被称为弼马温，在取经完成后被如来佛祖授封为斗战胜佛\n### 问题：孙悟空有哪些名字？\n###
Response
:\n'
ChatPrompter（带LLM）
m2 = lazyllm.TrainableModule(
"internlm2-chat-7b"
).prompt(prompter2)
res = m2._prompt.generate_prompt({
'input'
:query,
'content'
:passage})
print
(
"\n带LLM的Prompt(Chat):\n"
,
repr
(res))
输出：
带
LLM的Prompt
(
Chat
):
'
<|
im_start
|>
system\nYou are an
AI
assistant whose name
is
InternLM
(书生·浦语).\n
-
InternLM
(书生·浦语)
is
a conversational language model that
is
developed by
Shanghai
AI
Laboratory
(上海人工智能实验室).
It
is
designed to be helpful, honest, and harmless.\n
-
InternLM
(书生·浦语) can understand and communicate fluently
in
the language chosen by the user such
as
English
and 中文.系统指令
<|
im_end
|>
\n\n\n\n
<|
im_start
|>
user\n\n用户指令
。
\n### 文段内容：孙悟空，是在小说
《
西游记
》
当中唐僧的四个徒弟之一，排行第一，别名孙行者
、
孙猴子
。
自封美猴王
、
齐天大圣
。
因曾在天庭掌管御马监而又被称为弼马温，在取经完成后被如来佛祖授封为斗战胜佛\n### 问题：孙悟空有哪些名字？\n\n
<|
im_end
|>
\n
<|
im_start
|>
assistant\n\n'
格式对比：
4
大模型多重复用
上一部分介绍了如何设置独立的Prompt给不同的大模型用。那么可以设置不同的Prompt但底层共用同一个大模型吗？在LazyLLM中这个回答是肯定的！尤其是对于本地的模型，这样不用为了设置多个不同角色大模型而部署多个本地大模型，进而可以极大地节省显存。
📌用法1：在同一个进程内，通过share来实现大模型的共享。
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/share_llm_with_prompt.py#L1）
import
lazyllm
prompt1 =
"你扮演一只小猫，在每次回答问题都要加上：喵喵喵"
prompt2 =
"你扮演一只小鸡，在每次回答问题都要加上：咯咯哒"
llm = lazyllm.TrainableModule(
"internlm2-chat-7b"
)
llm1 = llm.share(prompt=prompt1)
llm2 = llm.share(prompt=prompt2)
# Deploy LLM
llm.start()
# Show:
inputs =
'你好'
print
(
'未设置Prompt的LLM: '
, llm(inputs))
print
(
'设置Prompt1 的LLM: '
, llm1(inputs))
print
(
'设置Prompt2 的LLM: '
, llm2(inputs))
在上面代码中，我们仅部署了一个大模型（InternLM2-Chat-7B），但是，我们通过share并且同时设置不同的Prompt，这样就构建出另外两个带有角色的大模型。输出效果如下所示：
未设置Prompt的LLM: 你好！我是书生·浦语，很高兴为你服务。有什么我可以帮助你的吗？
设置Prompt1 的LLM: 喵喵喵，你好！有什么我可以帮助你的吗？
设置Prompt2 的LLM: 咯咯哒，你好！我是书生·浦语，很高兴认识你。
📌用法2：在不同进程中，通过制定推理框架和url来实现大模型的共享。
import
lazyllm
m
=
lazyllm.TrainableModule(
'internlm2-chat-7b'
).deploy_method(
lazyllm.deploy.lightllm, url=
'http://10.119.17.169:36846/generate'
)
一个小彩蛋👇
除了用法1在代码中起推理服务之外
我们还提供了命令行工具
lazyllm
deploy internlm2-chat-
7
b
5
三行聊天机器人
用 LazyLLM 构造一个简单的聊天机器人只需三行代码。这里引入 lazyllm.WebModule，它可以将任意数据流封装为一个Web服务，让您可以在图形界面进行对话调试。
import lazyllm
llm = lazyllm.TrainableModule(
"internlm2-chat-7b"
).prompt(
"你扮演一只小猫，在每次回答问题都要加上喵喵喵"
)
webpage = lazyllm.WebModule(llm, port=23466,
history
=[llm], stream=True).start().
wait
()
上面代码中的WebModule：
- 指定用大模型llm来作为对话的机器人;
- port指定了聊天界面发布的端口；
- history中指定了要将llm的输出作为历史信息，这样机器人就具有了历史对话记忆能力；
- stream开启了输出的对话是流式的；
- start用于启动整个聊天机器人的部署；
- wait表示启动后就一直服务不停止，如果不加上服务部署好后会立刻停止。
数据流简介
LazyLLM是一款以数据流（Data Flow）为核心的多Agent大模型应用开发框架，所以 LazyLLM 中定义了大量的数据流组件，配合 LazyLLM 中提供的工具和组件，可以让您像搭积木一样搭建复杂的大模型应用。数据流的核心设计思路是无需您手动对数据流动进行指定，而是通过数据流内部将上一阶段的数据直接分发给对应的下游接收组件。LazyLLM支持Pipeline、Parallel、Switch、If、Loop、Diverter、Warp、Graph等数据流。
本节将详细为您介绍 LazyLLM 中的各种数据流，方便您在接下来的教程中理解和使用。
🚨注意：
LazyLLM 支持数据流的 with 语句。with 语句可以让数据流定义代码更加的简洁和清晰。下面关于数据流的所有例子不仅展示了基于函数式的数据流构建，同时也对应展示了通过 with 语法定义的数据流，with语句的巧妙之处在于定义代码的缩进与目标数据流结构有一定的关联性，可以清晰的看出整体结构。
1
Pipeline
Pipeline 是顺次执行的数据流，上一个阶段的输出成为下一个阶段的输入。pipeline 支持函数和仿函数（或仿函数的 type），其工作流如下所示：
input -> module1 -> ... -> moduleN ->
out
下面是通过 Pipeline 执行顺序结构程序的例子, 任意函数、匿名函数以及可调用实例（含__call__()函数的类）都可以作为 pipeline 中的一员。
函数式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/pipeline.py#L1）
import
lazyllm
f1 =
lambda
x: x *
2
def
f2
(
input
):
return
input
-
1
class
AddOneFunctor
(
object
):
def
__call__
(
self, x
):
return
x +
1
f3 = AddOneFunctor()
# 手动调用：
inp =
2
x1 = f1(inp)
x2 = f2(x1)
x3 = f3(x2)
out_normal = AddOneFunctor()(x3)
# 使用数据流
ppl = lazyllm.pipeline(f1, f2, f3, AddOneFunctor)
out_ppl1 = ppl(inp)
print
(
f"输入为
{inp}
,手动调用输出:"
, out_normal)
print
(
f"输入为
{inp}
,数据流输出:"
, out_ppl1)
输出：
输入为2,手动调用输出: 5
输入为2,数据流输出: 5
with式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/pipeline_with.py#L1）
import
lazyllm
f1 =
lambda
x: x *
2
def
f2
(
input
):
return
input
-
1
class
AddOneFunctor
(
object
):
def
__call__
(
self, x
):
return
x +
1
f3 = AddOneFunctor()
# 使用with方式的数据流
with
lazyllm.pipeline()
as
ppl:
ppl.func1 = f1
ppl.func2 = f2
ppl.func3 = f3
ppl.func4 = AddOneFunctor
inp =
2
out_ppl1 = ppl(inp)
print
(
f"输入为
{inp}
,数据流输出:"
, out_ppl1)
输出：
输入为2,数据流输出: 5
2
Parallel
Parallel支持我们并行调用多个pipeline，其数据流示意如下：
/> module11 -> ... -> module1N -> out1 \
input
-> module21 -> ... -> module2N -> out2 -> (out1, out2, out3)
\> module31 -> ... -> module3N -> out3 /
Parallel支持对输出格式进行格式化处理，方便下游组件进行针对性使用，目前Parallel支持输出字典、元组、列表和字符串形式的输出，具体效果可见下方例子：
函数式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/parallel.py#L1）
import
lazyllm
test1 =
lambda
a: a +
1
test2 =
lambda
a: a *
4
test3 =
lambda
a: a /
2
prl1 = lazyllm.parallel(test1, test2, test3)
prl2 = lazyllm.parallel(path1=test1, path2=test2, path3=test3).asdict
prl3 = lazyllm.parallel(test1, test2, test3).astuple
prl4 = lazyllm.parallel(test1, test2, test3).aslist
prl5 = lazyllm.parallel(test1, test2, test3).join(
'，'
)
print
(
"默认输出：prl1(1) -> "
, prl1(
1
),
type
(prl1(
1
)))
print
(
"输出字典：prl2(1) -> "
, prl2(
1
),
type
(prl2(
1
)))
print
(
"输出元组：prl3(1) -> "
, prl3(
1
),
type
(prl3(
1
)))
print
(
"输出列表：prl4(1) -> "
, prl4(
1
),
type
(prl4(
1
)))
print
(
"输出字符串：prl5(1) -> "
, prl5(
1
),
type
(prl5(
1
)))
输出：
默认输出：
prl1
(
1
) -> (
2
,
4
,
0.5
) <
class
'lazyllm.common.common.package'
>
输出字典：
prl2
(
1
) -> {
'path1'
:
2
,
'path2'
:
4
,
'path3'
:
0.5
} <
class
'dict'
>
输出元组：
prl3
(
1
) -> (
2
,
4
,
0.5
) <
class
'tuple'
>
输出列表：
prl4
(
1
) -> [
2
,
4
,
0.5
] <
class
'list'
>
输出字符串：
prl5
(
1
) ->
2
，
4
，
0.5
<
class
'str'
>
with式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/parallel_with.py#L1）
import
lazyllm
test1 =
lambda
a: a +
1
test2 =
lambda
a: a *
4
test3 =
lambda
a: a /
2
with
lazyllm.parallel()
as
prl1:
prl1.func1 = test1
prl1.func2 = test2
prl1.func3 = test3
with
lazyllm.parallel().asdict
as
prl2:
prl2.path1 = test1
prl2.path2 = test2
prl2.path3 = test3
with
lazyllm.parallel().astuple
as
prl3:
prl3.func1 = test1
prl3.func2 = test2
prl3.func3 = test3
with
lazyllm.parallel().aslist
as
prl4:
prl4.func1 = test1
prl4.func2 = test2
prl4.func3 = test3
with
lazyllm.parallel().join(
'，'
)
as
prl5:
prl5.func1 = test1
prl5.func2 = test2
prl5.func3 = test3
print
(
"默认输出：prl1(1) -> "
, prl1(
1
),
type
(prl1(
1
)))
print
(
"输出字典：prl2(1) -> "
, prl2(
1
),
type
(prl2(
1
)))
print
(
"输出元组：prl3(1) -> "
, prl3(
1
),
type
(prl3(
1
)))
print
(
"输出列表：prl4(1) -> "
, prl4(
1
),
type
(prl4(
1
)))
print
(
"输出字符串：prl5(1) -> "
, prl5(
1
),
type
(prl5(
1
)))
输出：
默认输出：
prl1
(
1
) -> (
2
,
4
,
0.5
) <
class
'lazyllm.common.common.package'
>
输出字典：
prl2
(
1
) -> {
'path1'
:
2
,
'path2'
:
4
,
'path3'
:
0.5
} <
class
'dict'
>
输出元组：
prl3
(
1
) -> (
2
,
4
,
0.5
) <
class
'tuple'
>
输出列表：
prl4
(
1
) -> [
2
,
4
,
0.5
] <
class
'list'
>
输出字符串：
prl5
(
1
) ->
2
，
4
，
0.5
<
class
'str'
>
3
Diverter
Diverter是一种专门的并行处理工具，其中多个输入分别通过一系列并行的模块。然后将输出聚合返回。
# /> in1 -> module11 -> ... -> module1N -> out1 \
# (in1, in2, in3) -> in2 -> module21 -> ... -> module2N -> out2 -> (out1, out2, out3)
# \> in3 -> module31 -> ... -> module3N -> out3 /
当您拥有可以并行执行的不同数据处理管道，并希望在单个流构造中管理它们时，该工具非常有用。和Parallel一样，该工具支持对输出格式进行格式化处理，目前支持输出字典、元组、列表和字符串形式的输出，具体效果可见下方例子：
函数式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/diverter.py#L1）
import
lazyllm
test1 =
lambda
a: a +
1
test2 =
lambda
a: a *
4
test3 =
lambda
a: a /
2
prl1 = lazyllm.diverter(test1, test2, test3)
prl2 = lazyllm.diverter(path1=test1, path2=test2, path3=test3).asdict
prl3 = lazyllm.diverter(test1, test2, test3).astuple
prl4 = lazyllm.diverter(test1, test2, test3).aslist
prl5 = lazyllm.diverter(test1, test2, test3).join(
'，'
)
inputs = [
1
,
2
,
3
]
print
(
"默认输出：prl1(1) -> "
, prl1(inputs),
type
(prl1(inputs)))
print
(
"输出字典：prl2(1) -> "
, prl2(inputs),
type
(prl2(inputs)))
print
(
"输出元组：prl3(1) -> "
, prl3(inputs),
type
(prl3(inputs)))
print
(
"输出列表：prl4(1) -> "
, prl4(inputs),
type
(prl4(inputs)))
print
(
"输出字符串：prl5(1) -> "
, prl5(inputs),
type
(prl5(inputs)))
输出：
默认输出：
prl1
(
1
) -> (
2
,
8
,
1.5
) <
class
'lazyllm.common.common.package'
>
输出字典：
prl2
(
1
) -> {
'path1'
:
2
,
'path2'
:
8
,
'path3'
:
1.5
} <
class
'dict'
>
输出元组：
prl3
(
1
) -> (
2
,
8
,
1.5
) <
class
'tuple'
>
输出列表：
prl4
(
1
) -> [
2
,
8
,
1.5
] <
class
'list'
>
输出字符串：
prl5
(
1
) ->
2
，
8
，
1.5
<
class
'str'
>
with式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/diverter_with.py#L1）
import
lazyllm
test1 =
lambda
a: a +
1
test2 =
lambda
a: a *
4
test3 =
lambda
a: a /
2
with
lazyllm.diverter()
as
prl1:
prl1.func1 = test1
prl1.func2 = test2
prl1.func3 = test3
with
lazyllm.diverter().asdict
as
prl2:
prl2.func1 = test1
prl2.func2 = test2
prl2.func3 = test3
with
lazyllm.diverter().astuple
as
prl3:
prl3.func1 = test1
prl3.func2 = test2
prl3.func3 = test3
with
lazyllm.diverter().aslist
as
prl4:
prl4.func1 = test1
prl4.func2 = test2
prl4.func3 = test3
with
lazyllm.diverter().join(
'，'
)
as
prl5:
prl5.func1 = test1
prl5.func2 = test2
prl5.func3 = test3
inputs = [
1
,
2
,
3
]
print
(
"默认输出：prl1(1) -> "
, prl1(inputs),
type
(prl1(inputs)))
print
(
"输出字典：prl2(1) -> "
, prl2(inputs),
type
(prl2(inputs)))
print
(
"输出元组：prl3(1) -> "
, prl3(inputs),
type
(prl3(inputs)))
print
(
"输出列表：prl4(1) -> "
, prl4(inputs),
type
(prl4(inputs)))
print
(
"输出字符串：prl5(1) -> "
, prl5(inputs),
type
(prl5(inputs)))
输出：
默认输出：
prl1
(
1
) -> (
2
,
8
,
1.5
) <
class
'lazyllm.common.common.package'
>
输出字典：
prl2
(
1
) -> {
'func1'
:
2
,
'func2'
:
8
,
'func3'
:
1.5
} <
class
'dict'
>
输出元组：
prl3
(
1
) -> (
2
,
8
,
1.5
) <
class
'tuple'
>
输出列表：
prl4
(
1
) -> [
2
,
8
,
1.5
] <
class
'list'
>
输出字符串：
prl5
(
1
) ->
2
，
8
，
1.5
<
class
'str'
>
4
Warp
Warp是一款强大的控制流工具，旨在将同一处理模块并行地应用于一系列输入数据。它通过高效地“形变”单个模块至各个输入，确保每个输入都能得到并行处理，从而大幅提升处理效率。
工作原理示意图：
# /> in1 \ /> out1 \
# (in1, in2, in3) -> in2 -> module1 -> ... -> moduleN -> out2 -> (out1, out2, out3)
# \> in3 / \> out3 /
🚨注意：
- Warp流不应用于异步任务，如训练和部署。
- Warp流不支持字典输出
与Parallel工具类似，Warp支持对输出格式进行灵活处理。目前，它能够输出元组、列表和字符串形式的结果输出（注意：暂不支持字典输出）。具体的格式化效果及示例，请参见下方例子：
函数式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/warp.py#L1）
import
lazyllm
test1 =
lambda
a: a +
1
test2 =
lambda
a: a *
4
test3 =
lambda
a: a /
2
prl1 = lazyllm.warp(test1, test2, test3)
# prl2 = lazyllm.warp(path1=test1, path2=test2, path3=test3).asdict # Not Implemented
prl3 = lazyllm.warp(test1, test2, test3).astuple
prl4 = lazyllm.warp(test1, test2, test3).aslist
prl5 = lazyllm.warp(test1, test2, test3).join(
'，'
)
inputs = [
1
,
2
,
3
]
print
(
"默认输出：prl1(1) -> "
, prl1(inputs),
type
(prl1(inputs)))
print
(
"输出元组：prl3(1) -> "
, prl3(inputs),
type
(prl3(inputs)))
print
(
"输出列表：prl4(1) -> "
, prl4(inputs),
type
(prl4(inputs)))
print
(
"输出字符串：prl5(1) -> "
, prl5(inputs),
type
(prl5(inputs)))
输出：
默认输出：
prl1
(
1
) -> (
4.0
,
6.0
,
8.0
) <
class
'lazyllm.common.common.package'
>
输出元组：
prl3
(
1
) -> (
4.0
,
6.0
,
8.0
) <
class
'tuple'
>
输出列表：
prl4
(
1
) -> [
4.0
,
6.0
,
8.0
] <
class
'list'
>
输出字符串：
prl5
(
1
) ->
4.0
，
6.0
，
8.0
<
class
'str'
>
with式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/warp_with.py#L1）
import
lazyllm
test1 =
lambda
a: a +
1
test2 =
lambda
a: a *
4
test3 =
lambda
a: a /
2
with
lazyllm.warp()
as
prl1:
prl1.func1 = test1
prl1.func2 = test2
prl1.func3 = test3
with
lazyllm.warp().astuple
as
prl3:
prl3.func1 = test1
prl3.func2 = test2
prl3.func3 = test3
with
lazyllm.warp().aslist
as
prl4:
prl4.func1 = test1
prl4.func2 = test2
prl4.func3 = test3
with
lazyllm.warp().join(
'，'
)
as
prl5:
prl5.func1 = test1
prl5.func2 = test2
prl5.func3 = test3
inputs = [
1
,
2
,
3
]
print
(
"默认输出：prl1(1) -> "
, prl1(inputs),
type
(prl1(inputs)))
print
(
"输出元组：prl3(1) -> "
, prl3(inputs),
type
(prl3(inputs)))
print
(
"输出列表：prl4(1) -> "
, prl4(inputs),
type
(prl4(inputs)))
print
(
"输出字符串：prl5(1) -> "
, prl5(inputs),
type
(prl5(inputs)))
输出：
默认输出：
prl1
(
1
) -> (
4.0
,
6.0
,
8.0
) <
class
'lazyllm.common.common.package'
>
输出元组：
prl3
(
1
) -> (
4.0
,
6.0
,
8.0
) <
class
'tuple'
>
输出列表：
prl4
(
1
) -> [
4.0
,
6.0
,
8.0
] <
class
'list'
>
输出字符串：
prl5
(
1
) ->
4.0
，
6.0
，
8.0
<
class
'str'
>
5
IFS
IFS是LazyLLM框架中实现的If-Else功能，可根据条件评估结果选择执行两条路径之一（条件为真的路径或条件判断为假的路径）。IFS使用with语句没有意义，所以这里仅展示函数式的使用：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/ifs.py#L1）
import
lazyllm
cond =
lambda
x: x >
0
true_path =
lambda
x: x *
2
false_path =
lambda
x: -x
ifs_flow = lazyllm.ifs(cond, true_path, false_path)
res1 = ifs_flow(
10
)
print
(
'输入：10，输出：'
, res1)
res2 = ifs_flow(-
5
)
print
(
'输入：-5，输出：'
, res2)
输出：
输入: 10,输出： 20
输入：-5,输出： 5
6
Switch
Switch数据流工具提供了一种根据表达式的值或条件的真实性来选择不同流的方法，类似于其他编程语言中的switch-case语句。
用户在使用该控制流工具的过程中需要定义好条件控制函数cond，及其对应的分支函数moduleX（可以是其他的控制流，如：Pipeline等）。其中有个特殊的条件控制函数可以直接设置为字符串default来作为兜底的默认分支。
工作原理示意图：
#
switch(exp):
#
case
cond1: input -> module11 -> ... -> module1N -> out;
break
#
case
cond2: input -> module21 -> ... -> module2N -> out;
break
#
case
cond3: input -> module31 -> ... -> module3N -> out;
break
另外值得注意的是Switch中有一个叫做judge_on_full_input的参数，默认情况下该参数为True，这意味着每次输入到Switch中的数据都会同时作为条件控制函数和分支函数的输入；如果该参数设置为False，这意味着至少需要两个输入，其中第一个会作为条件控制函数的输入，剩下的会作为分支函数的输入。具体示例如下所示：
函数式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/switch.py#L1）
import
lazyllm
# 条件函数
is_positive =
lambda
x: x >
0
is_negative =
lambda
x: x <
0
# 每个条件函数对应一个分支函数：
positive_path =
lambda
x:
2
* x
negative_path =
lambda
x : -x
default_path =
lambda
x :
'000'
# switch构建1（x同时作为条件函数和分支函数的输入）：
switch1 = lazyllm.switch(
is_positive, positive_path,
is_negative, negative_path,
'default'
, default_path)
# Show:
print
(
'\n输入x同时作为条件函数和分支函数的输入：'
)
print
(
"1Path Positive: "
, switch1(
2
))
# 2不仅传入条件函数，2也传入对应的分支函数；
print
(
"1Path Default: "
, switch1(
0
))
print
(
"1Path Negative: "
, switch1(-
5
))
# switch构建2（条件函数和分支函数的输入指定不同的值）：
switch2 = lazyllm.switch(
is_positive, positive_path,
is_negative, negative_path,
'default'
, default_path,
judge_on_full_input=
False
)
# Show:
print
(
'\n输入x,y按位置分别作为条件函数和分支函数的输入：'
)
print
(
"2Path Positive: "
, switch2(-
1
,
2
))
# -1传入条件函数，2传入对应分支函数；
print
(
"2Path Default: "
, switch2(
1
,
2
))
print
(
"2Path Negative: "
, switch2(
0
,
2
))
输出：
输入x同时作为条件函数和分支函数的输入：
1
Path Positive:
4
1
Path
Default
:
000
1
Path Negative:
5
输入x,y按位置分别作为条件函数和分支函数的输入：
2
Path Positive:
-2
2
Path
Default
:
4
2
Path Negative:
000
with式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/switch_with.py#L1）
import
lazyllm
# 条件函数
is_positive =
lambda
x: x >
0
is_negative =
lambda
x: x <
0
# 每个条件函数对应一个分支函数：
positive_path =
lambda
x:
2
* x
negative_path =
lambda
x : -x
default_path =
lambda
x :
'000'
# switch构建1（x同时作为条件函数和分支函数的输入）：
with
lazyllm.switch()
as
sw1:
sw1.
case
(is_positive, positive_path)
sw1.
case
(is_negative, negative_path)
sw1.
case
(
'default'
, default_path)
# Show:
print
(
'\n输入x同时作为条件函数和分支函数的输入：'
)
print
(
"1Path Positive: "
, sw1(
2
))
# 2不仅传入条件函数，2也传入对应的分支函数；
print
(
"1Path Default: "
, sw1(
0
))
print
(
"1Path Negative: "
, sw1(-
5
))
# switch构建2（条件函数和分支函数的输入指定不同的值）：
with
lazyllm.switch(judge_on_full_input=
False
)
as
sw2:
# 分离条件函数和分支函数的关键开关。注意默认是True
sw2.
case
(is_positive, positive_path)
sw2.
case
(is_negative, negative_path)
sw2.
case
(
'default'
, default_path)
# Show:
print
(
'\n输入x,y按位置分别作为条件函数和分支函数的输入：'
)
print
(
"2Path Positive: "
, sw2(-
1
,
2
))
# -1传入条件函数，2传入对应分支函数；
print
(
"2Path Default: "
, sw2(
1
,
2
))
print
(
"2Path Negative: "
, sw2(
0
,
2
))
输出：
输入x同时作为条件函数和分支函数的输入：
1
Path Positive:
4
1
Path
Default
:
000
1
Path Negative:
5
输入x,y按位置分别作为条件函数和分支函数的输入：
2
Path Positive:
-2
2
Path
Default
:
4
2
Path Negative:
000
7
Loop
Loop是一个循环控制流工具，可以将一系列函数重复应用于输入，直到满足停止条件或达到指定的迭代次数。Loop结构允许定义一个简单的控制流，其中一系列步骤在循环中应用，可以使用可选的停止条件来根据步骤的输出退出循环。
Loop中有个叫judge_on_full_input的参数，默认情况该值为True，这意味着，输出的完整结果会被作为条件控制函数和分支函数的输入；如果该值为False，那么输出的结果会被切分为两部分，第一部分会作为条件控制函数的输入，剩下部分作为下次循环的输出。所以当主动设置该参数为False时候要注意，分支函数需要返回至少两个值，第一个值作为条件输入，第二个值作为下次循环的输入。如下面例子中所示：
函数式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/loop.py#L1）
import
lazyllm
# 条件函数
stop_func =
lambda
x: x >
10
# 分支函数
module_func =
lambda
x: x *
2
# loop构建1
loop1 = lazyllm.loop(
module_func,
stop_condition=stop_func)
# Show:
print
(
'1输出：'
, loop1(
1
))
#==========================
# 分支函数2
def
module_func2
(
x
):
print
(
"\tloop: "
, x)
return
lazyllm.package(x+
1
, x*
2
)
# loop构建2
loop2 = lazyllm.loop(
module_func2,
stop_condition=stop_func,
judge_on_full_input=
False
)
# Show:
print
(
'2输出：'
, loop2(
1
))
输出：
1
输出：
16
loop
:
1
loop
:
2
loop
:
4
loop
:
8
loop
:
16
2
输出： (
32
,)
with式：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/loop_with.py#L1）
import
lazyllm
# 条件函数
stop_func =
lambda
x: x >
10
# 分支函数
module_func =
lambda
x: x
modele_func2 =
lambda
x: x *
2
# loop构建
with
lazyllm.loop(stop_condition=stop_func)
as
loop1:
loop1.func1 = module_func
loop1.func2 = modele_func2
# Show:
print
(
'输出：'
, loop1(
1
))
#==========================
# 分支函数2
def
module_funcn2
(
x
):
print
(
"\tloop: "
, x)
return
lazyllm.package(x+
1
, x*
2
)
# loop构建2
with
lazyllm.loop(stop_condition=stop_func, judge_on_full_input=
False
)
as
loop2:
loop2.func1 = module_func
loop2.func2 = module_funcn2
# Show:
print
(
'2输出：'
, loop2(
1
))
输出：
输出： 16
loop: 1
loop: 2
loop: 4
loop: 8
loop: 16
2输出： (32,)
8
Bind
通过上述对数据流的介绍，我们会发现有一个问题是数据按照预定义的路径流动，我们似乎只能控制入端数据，当我们遇到想要在某个环节引入上两级的数据时就会遇到问题，如下面图示中的in到f3我们很难用上述的流来搭建。
针对这个问题，LazyLLM 提供了一种参数绑定的方式，使数据在数据流中向下游自由地游走（跳跃的数据流）。
让我们先定义f1,f21,f22,f3上图中的几个函数：
def
f1
(
input
):
return
input
**
2
def
f21
(
input1, input2=
0
):
return
input1 + input2 +
1
def
f22
(
input1, input2=
0
):
return
input1 + input2 -
1
def
f3
(
in1=
'placeholder1'
, in2=
'placeholder2'
, in3=
'placeholder3'
):
return
f'get [input:
{in1}
], [f21:
{in2}
], [f23:
{in3}
]]'
LazyLLM 提供了 lazyllm.bind 函数进行函数绑定，bind 函数接收的参数格式如下所示：
lazyllm.bind(
func
, param1, param2,
...
)
其中：
- func 为需要进行参数绑定的函数，
- param1, param2 依次为 func 接收的参数。实际上我们观察上图可以发现：
- 我们需要输入的param1就是ppl的输入（ppl.input），此处我们可以通过 ppl.input 在当前数据流获取对应的输入。
- param2 和 param3 是f3的上一级，LazyLLM对这种情况定义了一种占位符，_0。_0表示数据流中当前节点的上一级输出，如果上一级中有多个输出，则可以通过_1, _2, _3依次获取，这里有两个输出所以分别是_0, _1。
基于LazyLLM的参数绑定可以实现上图中的数据跳连：
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/bind.py#L1）
from
lazyllm import pipeline, parallel, bind, _0, _1
with
pipeline
()
as
ppl1:
ppl1.f1 =
f1
with
parallel
()
as
ppl1.subprl2:
ppl1.subprl2.path1 = f21
ppl1.subprl2.path2 = f22
ppl1.f3 = bind(f3, ppl1.input, _0, _1)
print(
"ppl1 out: "
, ppl1(
2
))
输出：
ppl1
out
:
get
[input:
2
], [f21:
5
], [f23:
3
]]
🚨注意，参数绑定仅在当前数据流内生效，您无法将外部变量数据绑定至数据流内，也无法跨数据流进行数据绑定。
LazyLLM为 bind 函数重载了 | 运算符，可以通过它实现更直观的参数绑定，将函数和参数区分开来（|运算符之前的是被绑定的函数，之后是需要绑定的参数）。此外，子数据流也支持绑定入参。下面我们将上图修改为更复杂的流，我们将数据流输入绑定为subprl2的第一个输入(下图红色箭头线)，上游f1的输出为subprl的第二个输入。
（代码GitHub链接：
https://github.com/LazyAGI/Tutorial/blob/7abc91dbb82a007a78731845dd8c360ac0cc1e75/rag/codes/chapter3/bind_more.py#L1）
from
lazyllm import pipeline, parallel, bind, _0, _1
with
pipeline
()
as
ppl1:
ppl1.f1 =
f1
with
parallel
().
bind
(
ppl1.input, _0
)
as
ppl1.subprl2:
ppl1.subprl2.path1 = f21
ppl1.subprl2.path2 = f22
ppl1.f3 = f3 | bind(ppl1.input, _0, _1)
print(
"ppl1 out: "
, ppl1(
2
))
输出：
ppl1
out
:
get
[input:
2
], [f21:
7
], [f23:
5
]]
基于 LazyLLM 实现RAG
在基础1中我们介绍了rag的具体原理及实现过程，简单RAG的推理步骤只有三步，即检索、增强、生成。这里我们可以通过上面讲述的数据流来重新实现一下这个RAG，使得到一个更清晰的代码块。详细代码如下：
import
lazyllm
from
lazyllm
import
bind
# 文档加载
documents = lazyllm.Document(dataset_path=
"/mnt/lustre/share_data/dist/cmrc2018/data_kb"
)
prompt =
'You will act as an AI question-answering assistant and complete a dialogue task. \
In this task, you need to provide your answers based on the given context and questions.'
with
lazyllm.pipeline()
as
ppl:
# 检索组件定义
ppl.retriever = lazyllm.Retriever(doc=documents, group_name=
"CoarseChunk"
, similarity=
"bm25_chinese"
, topk=
3
)
ppl.formatter = (
lambda
nodes, query: {
"query"
: query,
"context_str"
:
""
.join([node.get_content()
for
node
in
nodes])}) | bind(query=ppl.
input
)
# 生成组件定义
ppl.llm = lazyllm.OnlineChatModule().prompt(lazyllm.ChatPrompter(instruction=prompt, extra_keys=[
'context_str'
]))
lazyllm.WebModule(ppl, port=
23466
).start().wait()
让我们一步步修改上期RAG并实现基于数据流的RAG:
大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？
答案当然是这样，大模型必然是新风口！
那如何学习大模型 ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：
最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！
在这个版本当中：
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、大模型经典书籍（免费分享）
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套大模型报告（免费分享）
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、大模型系列视频教程（免费分享）
四、2025最新大模型学习路线（免费分享）
我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取
517
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
