探索ZHIPU AI：利用LangChain提升多语言对话能力

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/142373172

引言

在人工智能快速发展的时代，ZHIPU AI 的 GLM-4 模型为多语言对话、问答和代码生成提供了强大的支持。本文将探讨如何在LangChain中使用ZHIPU AI API，通过简单的实例展示其基本和高级功能。

主要内容

安装

要使用ZHIPU AI，首先需要在Python环境中安装相关的包。运行以下命令：

# 安装必要的Python包
!pip install --upgrade httpx httpx-sse PyJWT

导入所需模块

安装完成后，导入必要的模块：

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.messages import AIMessage, HumanMessage, SystemMessage

设置API密钥

获取API密钥来访问ZHIPU AI模型：

import os

# 设置ZHIPU AI API密钥
os.environ["ZHIPUAI_API_KEY"] = "zhipuai_api_key"

初始化ZHIPU AI聊天模型

使用以下代码初始化聊天模型：

chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
)

基本用法

可以通过系统消息和人类消息调用模型：

messages = [
    AIMessage(content="Hi."),
    SystemMessage(content="Your role is a poet."),
    HumanMessage(content="Write a short poem about AI in four lines."),
]

response = chat.invoke(messages)
print(response.content)  # 显示AI生成的诗

代码示例

流式支持

实现连续交互，可以使用流式功能：

from langchain_core.callbacks.manager import CallbackManager
from langchain_core.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

streaming_chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
    streaming=True,
    callback_manager=CallbackManager([StreamingStdOutCallbackHandler()]),
)

streaming_chat(messages)

异步调用

对于非阻塞调用，使用异步方法：

async_chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
)

response = await async_chat.agenerate([messages])
print(response)

使用函数调用

GLM-4模型还可以与函数调用结合使用：

os.environ["TAVILY_API_KEY"] = "tavily_api_key"
from langchain import hub
from langchain.agents import AgentExecutor, create_json_chat_agent
from langchain_community.tools.tavily_search import TavilySearchResults

tools = [TavilySearchResults(max_results=1)]
prompt = hub.pull("hwchase17/react-chat-json")
llm = ChatZhipuAI(temperature=0.01, model="glm-4")

agent = create_json_chat_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent, tools=tools, verbose=True, handle_parsing_errors=True
)

agent_executor.invoke({"input": "what is LangChain?"})