大模型学习笔记七：LLM应用

一、维护生产级别的LLM应用，需要做的事

1、各种指标监控与统计：访问记录、响应时长、Token用量、计费等等（系统各个模块的访问记录和响应时间，整体的费用）
2、调试 Prompt
3、测试/验证系统的相关评估指标
4、数据集管理（便于回归测试，看以往测试的结果）
5、Prompt 版本管理（便于升级/回滚）

二、符合需求的LLM App维护平台

1、LangFuse（重点）): 开源 + SaaS（免费/升级版付费），LangSmith 平替，可集成 LangChain 也可直接对接 OpenAI API；
2、 LangSmith: LangChain 的官方平台，SaaS 服务（付费），非开源；
3、 Prompt Flow：微软开发，开源 + Azure AI云服务，可集成 Semantic Kernel（但貌合神离）。

import os
os.environ["LANGCHAIN_TRACING_V2"]=""
os.environ["LANGCHAIN_API_KEY"]=""

三、LangFuse

1）替换OpenAI客户端（把跟OpenAI交互记录到LangFuse）

• 简介
  1、开源，支持 LangChain 集成或原生 OpenAI API 集成
  2、官方网站：https://langfuse.com/
  3、项目地址：https://github.com/langfuse

• 注册(通过官方云服务使用：)

注册: cloud.langfuse.com
创建 API Key

LANGFUSE_SECRET_KEY="sk-lf-..."
LANGFUSE_PUBLIC_KEY="pk-lf-..."

• 部署（源码部署）

#1、Clone repository
git clone https://github.com/langfuse/langfuse.git
cd langfuse
 
# 2、Run server and db
docker compose up -d


# 3、在自己部署的系统中生成上述两个 KEY
# 并在环境变量中指定服务地址
LANGFUSE_SECRET_KEY="sk-lf-..."
LANGFUSE_PUBLIC_KEY="pk-lf-.."
LANGFUSE_HOST="http://localhost:3000"

• 安装相关库

!pip install --upgrade langfuse

• 开始替换OpenAI客户端

from datetime import datetime
from langfuse.openai import openai
from langfuse import Langfuse 
import os

trace = Langfuse().trace(
    name = "hello-world",
    user_id = "wzr",
    release = "v0.0.1"
)

completion = openai.chat.completions.create(
  name="hello-world",
  model="gpt-3.5-turbo",
  messages=[
      {
   "role": "user", "content": "对我说'Hello, World!'"}
  ],
  temperature=0,
  trace_id=trace.id,
)

print(completion.choices[0].message.content)

• 回复

Hello, World!

• 该回答的记录
  

• 提问记录
  

1.1）几个基本概念

1、·Trace 一般表示用户与系统的一次交互，其中记录输入、输出，也包括自定义的 metadata 比如用户名、session id等；
2、一个 trace 内部可以包含多个子过程，这里叫 observarions；
3、Observation 可以是多个类型：

• Event 是最基本的单元，用于记录一个 trace 中的每个事件；
• Span 表一个 trace 中的一个"耗时"的过程；
• Generation 是用于记录与 AI 模型交互的 span，例如：调用 embedding 模型、调用 LLM。

4、Observation 可以嵌套使用。

• 举例
  

2）通过LangChain的回调函数触发记录（上面用的原生OpenAI接口，下面是调用LangChain的接口）

from langfuse.callback import CallbackHandler

handler = CallbackHandler(
    trace_name="SayHello",
    user_id="wzr",
)

---------------------------------------
from langchain.prompts import (
    ChatPromptTemplate,
    HumanMessagePromptTemplate,
)
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
from langchain_core.runnables import RunnablePassthrough

model = ChatOpenAI(model="gpt-3.5-turbo-0613")

prompt = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template("Say hello to {input}!") 
])


# 定义输出解析器
parser = StrOutputParser()

chain = (
    {
   "input":RunnablePassthrough()} 
    | prompt
    | model
    | parser
)
chain.invoke(input="AGIClass", config={
   "callbacks":[handler]})

• 回复打印

'Hello AGIClass! How can I assist you today?'

3）构建一个实际应用

• 需求
  1、根据课程内容，判断学生问题是否需要老师解答
  2、判断该问题是否需要老师解答，回复’Y’或’N’
  3、判断该问题是否已有同学问过

#1、构建 PromptTemplate
from langchain.prompts import PromptTemplate

need_answer=PromptTemplate.from_template("""
*********
你是AIGC课程的助教，你的工作是从学员的课堂交流中选择出需要老师回答的问题，加以整理以交给老师回答。
 
课程内容:
{outlines}
*********
学员输入:
{user_input}
*********
如果这是一个需要老师答疑的问题，回复Y，否则回复N。
只回复Y或N，不要回复其他内容。""")

check_duplicated=PromptTemplate.from_template("""
*********
已有提问列表:
[
{question_list}
]
*********
新提问:
{user_input}
*********
已有提问列表是否有和新提问类似的问题? 回复Y或N, Y表示有，N表示没有。
只回复Y或N，不要回复其他内容。""")

outlines="""
LangChain
模型 I/O 封装
模型的封装
模型的输入输出
PromptTemplate
OutputParser
数据连接封装
文档加载器：Document Loaders
文档处理器
内置RAG：RetrievalQA
记忆封装：Memory
链架构：Chain/LCEL
大模型时代的软件架构：Agent
ReAct
SelfAskWithSearch
LangServe
LangChain.js
"""

question_list=[
    "LangChain可以商用吗",
    "LangChain开源吗",
]

#2、创建 chain
model = ChatOpenAI(temperature=0,model_kwargs={
   "seed":42})
parser = StrOutputParser()

chain1 = (
    need_answer
    | model
    | parser