使用 LangChain 开发 LLM 应用时，需要机器进行 GLM 部署，好多同学第一步就被劝退了，那么如何绕过这个步骤先学习 LLM 模型的应用，对 Langchain 进行快速上手？本片讲解 3 个把 LangChain 跑起来的方法，如有错误欢迎纠正。
Langchain 官方文档地址：https://python.langchain.com/
基础功能
LLM 调用
支持多种模型接口，比如 OpenAI、HuggingFace、AzureOpenAI …
Fake LLM，用于测试
缓存的支持，比如 in-mem（内存）、SQLite、Redis、SQL
用量记录
支持流模式（就是一个字一个字的返回，类似打字效果）
Prompt 管理，支持各种自定义模板
拥有大量的文档加载器，比如 Email、Markdown、PDF、Youtube …
对索引的支持
Chains
LLMChain
各种工具 Chain
LangChainHub
详细地址可参考：
https://www.langchain.cn/t/topic/35
测试 Langchain 工程的 3 个方法：
1 使用 Langchian 提供的 FakeListLLM
为了节约时间,直接上代码
import osfrom decouple import configfrom langchain.agents import initialize_agentfrom langchain.agents import AgentTypefrom langchain.agents import load_tools
复制代码
这里 mock 下 ChatGPT,使用 mockLLm
#from langchain.llms import OpenAIfrom langchain.llms.fake import FakeListLLMos.environ["OPENAI_API_KEY"] = config('OPENAI_API_KEY')
复制代码
REPL 是 “Read–Eval–Print Loop”（读取-求值-打印-循环）的缩写，它是一种简单的、交互式的编程环境。
在 REPL 环境中，用户可以输入一条或多条编程语句，系统会立即执行这些语句并输出结果。这种方式非常适合进行快速的代码试验和调试。
tools = load_tools(["python_repl"])responses=[ "Action: Python REPL\nAction Input: chatGpt原理", "Final Answer: mock答案"]llm = FakeListLLM(responses=responses)agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)agent.run("chatGpt原理2")
复制代码
2 使用 Langchian 提供的 HumanInputLLM，访问维基百科查询
from langchain.llms.human import HumanInputLLMfrom langchain.agents import load_toolsfrom langchain.agents import initialize_agentfrom langchain.agents import AgentTypefrom wikipedia import set_lang
复制代码
使用维基百科工具
tools = load_tools(["wikipedia"])
复制代码
这里必须要设置为中文 url 前缀，不然访问不了
初始化 LLM
llm = HumanInputLLM(prompt_func=lambda prompt: print(f"\n===PROMPT====\n{prompt}\n=====END OF PROMPT======"))
复制代码
初始化 agent
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)agent.run("喜羊羊")
复制代码
3 使用 huggingface
https://huggingface.co/docs
1.注册账号
2.创建 Access Tokens
Demo： 使用模型对文档进行摘要
from langchain.document_loaders import UnstructuredFileLoaderfrom langchain.chains.summarize import load_summarize_chainfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain import HuggingFaceHubimport osfrom decouple import config
from langchain.agents import load_tools
复制代码
这里 mock 下 ChatGPT,使用 HUGGINGFACEHUB
os.environ["HUGGINGFACEHUB_API_TOKEN"] = config('HUGGINGFACEHUB_API_TOKEN')
复制代码
导入文本
loader = UnstructuredFileLoader("docment_store\helloLangChain.txt")
复制代码
将文本转成 Document 对象
document = loader.load()print(f'documents:{len(document)}')
复制代码
初始化文本分割器
text_splitter = RecursiveCharacterTextSplitter( chunk_size = 500, chunk_overlap = 0)
复制代码
切分文本
split_documents = text_splitter.split_documents(document)print(f'documents:{len(split_documents)}')
复制代码
加载 LLM 模型
overal_temperature = 0.1flan_t5xxl = HuggingFaceHub(repo_id="google/flan-t5-xxl", model_kwargs={"temperature":overal_temperature, "max_new_tokens":200} )
llm = flan_t5xxltools = load_tools(["llm-math"], llm=llm)
复制代码
创建总结链
chain = load_summarize_chain(llm, chain_type="refine", verbose=True)
复制代码
执行总结链
chain.run(split_documents)
复制代码
作者：京东科技 杨建
来源：京东云开发者社区
评论