langchain中的chat models介紹和使用

2023-11-09 18:01:02

簡介

之前我們介紹了LLM模式,這種模式是就是文字輸入,然後文字輸出。

chat models是基於LLM模式的更加高階的模式。他的輸入和輸出是格式化的chat messages。

一起來看看如何在langchain中使用caht models吧。

chat models的使用

首先langchain對chat models下支援的模型就少很多了。一方面是可能有些語言模型本身是不支援chat models的。另外一方面langchain也還是在一個發展中的過程,所以有些模型還需要適配。

目前看來langchain支援的chat models有:ChatAnthropic,AzureChatOpenAI,ChatVertexAI,JinaChat,ChatOpenAI和PromptLayerChatOpenAI這幾種。

langchain把chat訊息分成了這幾種:AIMessage, HumanMessage, SystemMessage 和 ChatMessage。

HumanMessage就是使用者輸入的訊息,AIMessage是大語言模型的訊息,SystemMessage是系統的訊息。ChatMessage是一種可以自定義型別的訊息。

在使用的時候,只需要在chat中傳入對應的訊息即可:

from langchain.chat_models import ChatOpenAI

chat = ChatOpenAI()

messages = [
    SystemMessage(content="你是一個小說家"),
    HumanMessage(content="幫我寫篇小說")
]
chat(messages)

當然和LLM一樣,你也可以使用批次模式如下:

batch_messages = [
    [
        SystemMessage(content="你是一個小說家"),
        HumanMessage(content="幫我寫篇小說")
    ],
    [
        SystemMessage(content="你是一個詩人"),
        HumanMessage(content="幫我寫首詩")
    ],
]
result = chat.generate(batch_messages)
result

chat models的高階功能

其實和LLM類似,基本上LLM有的高階功能chat models都有。

比如有用的比如快取功能,可以快取之前的輸入和輸出,避免每次都呼叫LLM,從而可以減少token的開銷。

以InMemoryCache為例子:

from langchain.cache import InMemoryCache
langchain.llm_cache = InMemoryCache()

# 第一次呼叫,不是用cache
llm.predict("Tell me a joke")

# 第二次呼叫,使用cache
llm.predict("Tell me a joke")

除了InMemoryCache,langchain還支援FullLLMCache,SQLAlchemyCache,SQLiteCache和RedisCache等等。

同樣的,chat models也是支援流模式的:

from langchain.chat_models import ChatOpenAI
from langchain.schema import (
    HumanMessage,
)

from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
chat = ChatOpenAI(streaming=True, callbacks=[StreamingStdOutCallbackHandler()], temperature=0)
resp = chat([HumanMessage(content="幫忙我寫首詩")])

只需要在構建ChatOpenAI的時候,把StreamingStdOutCallbackHandler傳入callbacks即可。

如果要在chat models中使用PromptTemplate,因為chat models的訊息格式跟LLM是不一樣的,所以對應的PromptTemplate也是不一樣的。

和對應的chat models訊息對應的PromptTemplate是ChatPromptTemplate,SystemMessagePromptTemplate,
AIMessagePromptTemplate和HumanMessagePromptTemplate。

我們看下是如何使用prompt template來構建prompt:

from langchain import PromptTemplate
from langchain.prompts.chat import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    AIMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

# 構建各種prompt
template="You are a helpful assistant that translates {input_language} to {output_language}."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template="{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

# 使用format_prompt把prompt傳給chat
chat(chat_prompt.format_prompt(input_language="English", output_language="French", text="I love programming.").to_messages())

chat models下訊息構建確實比直接使用LLM要複雜點,大家在使用的時候需要注意。

總結

chat models是LLM的高階表現形式。如果我們需要進行對話模型的話,就可以考慮使用這個。

更多內容請參考 https://www.cnblogs.com/flydean/p/www.flydean.com

最通俗的解讀,最深刻的乾貨,最簡潔的教學,眾多你不知道的小技巧等你來發現!

歡迎關注我的公眾號:「程式那些事」,懂技術,更懂你!