langchain调用语言模型chatglm4从智谱AI

本文主要是介绍langchain调用语言模型chatglm4从智谱AI，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！

0.langchain agent 原理

ReAct

1.langchain agent使用chatgpt调用tools的源代码

2.自定义本地语言模型的代码

3.其他加速方法

背景：如果使用openai的chatgpt4进行语言问答，是需要从国内到国外的一个客户请求-->openai服务器response的一个过程，尽管openai的算力很强，计算速度很快，但这个国内外网络的信息传输存在一定的延迟和不稳定现象。

可能的解决办法：调用本地语言模型，这样就不需要去访问openai的服务器了，也就没了网络传输。

0.langchain agent 原理

本质：llm推理-->推理结果和tools的描述计算相似度-->top 1 tool-->行动

在 LangChain 中，Agent 是一个代理，接收用户的输入，采取相应的行动然后返回行动的结果。

官方也提供了对应的 Agent，包括 OpenAI Functions Agent、Plan-and-execute Agent、Self Ask With Search 类 AutoGPT 的 Agent 等。

ReAct

基于 ReAct 原理来实现的 Agent。

https://react-lm.github.io/

https://github.com/ysymyth/ReAct

1.langchain agent使用chatgpt调用tools的源代码

主要关注agent是如何调用tools的

主要的执行类：agentExecutor

本质是agent就是一个特殊的chain

执行chain

在agentexcutor这个类里面，因为agent执行的是思考(llm)-->行为(tools)-->再根据结果再思考-->再行为这样的一个循环过程。即llm大脑思考用户的问题，然后计划方案，然后执行行为，根据行为结果思考是否解决问题，如果没有则继续思考然后继续执行行为，这样的逻辑过程。

使用llm来思考决定使用什么工具

又到了这里，因为llm也是chain，langchain的核心就是所有的都是chain，然后组合起来

终于看到了client的request了，这就是我们发送请求给openai

send：发送请求最后结果如下：

agent调用工具

本质是llm会根据用户的输入和tools的函数的功能描述来选择工具。逻辑是先把描述的语句和用户输入做embedding为token，然后做attention（余弦相似度计算），然后把相似度分数排序，选择相似度最高的。我们这里的用户输入是：告诉我长城在哪，和meta_case2的描述最接近（因为里面有"地点在哪"这个词），所以选择了这个工具。但并不符合我们的意图，所以llm并不能理解意图，只能做相似度计算，所以tools的函数功能描述非常重要。

关于我们函数功能描述的模板：

函数功能：什么功能作用

函数案例：比如可以抓取物品如零食

用户需求：可以解决什么用户需求

用户案例：可以解决用户的。。。需求

用户提问方式：是什么，为什么，怎么办。。。

一般性抽象性概括性词汇，水果>香蕉

2.自定义本地语言模型的代码chatglm6B

参考了一些官方和他人帖子：

https://zhuanlan.zhihu.com/p/630147161

https://python.langchain.com/docs/modules/model_io/chat/custom_chat_model

https://python.langchain.com/docs/modules/model_io/llms/custom_llm

主要就是LLM类的继承和重写

# 函数继承和重写
class GLM(LLM):max_token: int = 2048temperature: float = 0.8top_p = 0.9tokenizer: object = Nonemodel: object = Nonehistory_len: int = 1024def __init__(self):super().__init__()@propertydef _llm_type(self) -> str:return "GLM"def load_model(self):self.tokenizer = AutoTokenizer.from_pretrained("PiaoYang/chatglm-6b", trust_remote_code=True)model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True, device_map='auto')self.model = PeftModel.from_pretrained(model, "shibing624/chatglm-6b-belle-zh-lora")self.model = self.model.half().cuda()def _call(self, prompt:str,history:List[str] = [],stop: Optional[List[str]] = None):response = self.model.chat(self.tokenizer, prompt, max_length=128, eos_token_id=self.tokenizer.eos_token_id)return response

我们这里的本地模型是chatglm6B，结果：