【星海出品】Langchain Prompt template

本文主要是介绍【星海出品】Langchain Prompt template，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Management prompt words

We can use this program to face students from different families. But now this program cannot communicate in Chinese.

URL: https://platform.openai.com/account/api-keys

LLMs：

这是一个语言模型，It lets input words and return sentences.
input is a list of ChatMessage.
output is a single ChatMessage.

Object role

human message:ChatMessage 来自人类/用户。
AIMessage: ChatMessage 来自AI/助手。
SystemMessage: 来自系统的ChatMessage。

Prompt Template

provide a description for Language Model, Control the output for Language Model

How to use OpenAI

OpenAI

STEP 1

Enviroment

pip install langchain-openai

STEP 2

Method one
OpenAI-api

export OPENAI_API_KEY="your-api-key"from langchain_openai import ChatOpenAIllm = ChatOpenAI()

Method two

from langchain_openai import ChatOpenAIllm = ChatOpenAI(api_key="...")

STEP 3

llm.invoke("how can langsmith help with testing?")

one or two also support predict

predict(text: str, *, stop: Optional[Sequence[str]] = None, **kwargs: Any) → str
llm.predict("hello!")

a = int(0)
try:from langchain_core.messages import HumanMessagea = '1'
except:try:from langchain.schema import HumanMessagea = '2'except:a = '3'
finally:print(a)

text = "what would be a good company name for a company that makes colorful socks?"
message = (HumanMessage(content=text))
llm.predict_messages("message")

We can also guide its response with a prompt template. Prompt templates convert raw user input to better input to the LLM.

from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([("system", "You are a world class technical documentation writer."),("user", "{input}")
])chain = prompt | llm 
chain.invoke({"input": "how can langsmith help with testing?"})

还可以添加输出解析器

from langchain_core.output_parsers import StrOutputParseroutput_parser = StrOutputParser()chain = prompt | llm | output_parserchain.invoke({"input": "how can langsmith help with testing?"})

We can now invoke it and ask the same question. The answer will now be a string (rather than a ChatMessage).

LangChain-ChatGLM:基于本地知识库的问答

langChain-ChatGLM git

ChatGLM-6B 简介
是一个开源模型，支持中英双语对话模型，基于 General Language Model(GLM)架构，具有62亿参数。
checkpoint，训练数据增加英文指令微调数据以平衡中英文数据比例

自我认知、提纲写作、文案写作、信息抽取

微调

针对预先训练的语言模型，在特定任务的少量数据集上对其进行进一步训练。
当任务或域定义明确，并且有足够的标记数据可供训练时，通常使用微调过程。

提示词工程

涉及设计自然语言提示或指令，可以指导语言模型执行特定任务。
最适合需要高精度和明确输出的任务。提示工程可用于make引发所需输出的查询。

LangChain 简介

LangChain是一个用于开发语言模型驱动的应用程序的框架。

主要功能：

调用语言模型
将不同数据源接入到语言模型的交互中
允许语言模型与运行环境交互

LangChain 中提供的模块

Modules：支持的模型类型和集成。
Prompt：提示词管理、优化和序列化。
Memory：内存是指在链/代理调用之间持续存在的状态。
Indexes：当语言模型与特定于应用程序的数据相结合时，会变得更加强大-此模块包含用于加载、查询和更新外部数据的接口和集成。
Chain：链是结构化的调用序列（对LLM或其他实用程序）
Agents: 代理是一个链，其中 LLM 在给定高级指令和一组工具的情况下，反复决定操作，执行操作并观察结果，直到高级指令完成。
Callbacks: 回调允许您纪录和流式传输任何链的中间步骤，从而轻松观察、调试和评估应用程序的内部。

LangChain 应用场景

文档问答：在特定文档上回答问题，仅利用这些文档的信息来构建答案。
个人助理： LangChain 的主要用例之一。个人助理需要采取行动，记住交互，并了解您的数据。
查询表格数据：使用语言模型查询表类型结构化数据（CSV、SQL、DataFrame等）
与API交互：使用语言模型与API交互非常强大。它允许他们访问最新信息，并允许他们采取行动。
信息提取：从文本中提取结构化信息。
文档总结：压缩较长文档，一种数据增强生成。

用户输入

能够接入的数据类型。加工后的提问内容

PPT、图片、HTML、PDF等非结构文件并转换为文本信息。

自定义


from openai import OpenAI
client = OpenAI(api_key="xxx")assistant = client.beta.assistants.create(name="Math Tutor",instructions="You are a personal math tutor. Write and run code to answer math questions.",tools=[{"type": "code_interpreter"}],model="gpt-3.5-turbo-1106"
)import json
import osdef show_json(obj):print(json.loads(obj.model_dump_json()))show_json(assistant)# create threads
thread = client.beta.threads.create()
show_json(thread)# add content
message = client.beta.threads.messages.create(thread_id=thread.id,role="user",content="I need to solve the equation `3x + 11 = 14`. Can you help me?"
)
show_json(message)# run
run = client.beta.threads.runs.create(thread_id=thread.id,assistant_id=assistant.id,instructions="Please address the user as Andy. The user has a premium account."
)
show_json(run)import timedef wait_on_run(run, thread):while run.status == "queued" or run.status == "in_progress":run = client.beta.threads.runs.retrieve(thread_id=thread.id,run_id=run.id,)time.sleep(0.5)return runrun = wait_on_run(run, thread)
show_json(run)messages = client.beta.threads.messages.list(thread_id=thread.id)
show_json(messages)