目录
1. 前言
2. 课程笔记
2.1. 模型、提示和解析器
2.2. LLM记忆,上下文管理
2.3. 链式操作
2.4. 文档问答
2.4.1. stuff 方法
2.4.2. 其他方法
2.5. LLM应用评估
2.6. 代理
2.6.1. 预定义工具
2.6.2. 自定义工具
代码资源:
1. 前言
LangChain是一个用来构建LLM应用的开源框架,主要是为基于大语言模型的应用提供一系列的构建工具包。这个短课程的主要内容有:
- 模型、提示和解析器:调用LLM,提供提示并解析响应。
- LLM的记忆:用于存储对话和管理有限上下文空间的记忆。
- 链式操作:创建操作序列。
- 文档问答:将LLM应用于您的专有数据和用例需求。
- 代理:探索将LLM作为推理代理的新兴发展趋势。
原课程地址:LangChain for LLM Application Development - DeepLearning.AI
B站转载:(超爽中英!) 2024吴恩达最好的【LangChain大模型应用开发】教程!附课件代码 DeepLearning.AI
2. 课程笔记
2.1. 模型、提示和解析器
2_L1_model prompt parser.zh_哔哩哔哩_bilibili
这节课的要点有两个:
a. 使用Langchain的模板功能,将需要改动的部分抽象成变量,在具体的情况下替换成需要的内,达到一次定义,多次使用的效果。
书中提到的一个例子是,使用模板,去转化表达的风格。这种方式比fstring要更灵活,特别是模板很长的时候。
b. 使用一个解析器,将LLM的输出解析成你需要的格式,如字典。
2.2. LLM记忆,上下文管理
这节课主要如何使用不同的内存类来管理与LLM的对话上下文。
- ConversationBufferMemory:保存所有上下文。
- ConversationBufferWindowMemory:以对话轮数为单位,设置最大轮数限制。
- ConversationTokenBufferMemory:以token的个数为单位,设置最大个数限制。
- ConversationSummaryBufferMemory:可以设置对话token最大个数,但使用llm来总结之前的对话内容。
2.3. 链式操作
链式操作有点像工作流,基本单元是Chain,通过与LLM和提示词结合,可以构建出各种结构的链式操作,对文本及数据执行一系列操作。
a. 基础链
LLMChain,结合提示词,组成一个基本的单位,对输入进行相应,输出结果,是构建复合链的基本单位。
b. 顺序链
将基础链按照顺序前后组合起来,上一个基础链的输出是下一个基础链的输入,又包括以下两种细类:
SimpleSequentialChain:单输入/输出。
SequentialChain:多输入/输出,通过输入/输出键进行指定。
c. 路由链
LLMRouterChain,根据输入的内容,将其路由到不同的链中。
2.4. 文档问答
给定文档,让LLM根据文档的内容回答问题。
由于LLM一般一次只能处理几千个词,因此基于文档的问答需要使用embedding和向量存储技术。
2.4.1. stuff 方法
a. embeddings
所谓embedding(词嵌入)就是将一段文本,转化成一个能够表征文本语义的向量,语义上相近的文本他们的向量也相似。
b. 向量存储
一般将文本分解成一个个块(chunks),然后将每个块转为embedding,最后将这些embedding存入向量数据库中,相当于建立了索引。
c. 查询过程
首先将查询文本转为embedding,然后在向量数据库中寻找并返回与这个查询最相似的n个查询。
d. LLM处理
最后将这n个结果输入LLM进行处理,获得最后的答案。
这就是文档问答最简单的办法,将所有文档都放入上下文中,并对语音模型进行一次调用,这种方法叫stuff method。
前面都是针对相同类型的片段进行回答的方法,但是针对不同类型的片段进行相同类型的问题和回答,则需要用到下面的几种方法。
2.4.2. 其他方法
Map_reduce方法:将每个片段和问题一起传递给LLM,得到各自的回答,然后使用另外一个LLM将所有单独的回答汇总成最后的答案。可以看到每个文档都是独立的,有利于并行执行,缺点是文档与文档之间也没有交互。
Refine方法:当前的回答依赖于上一个文档的回答,对于合并信息和逐步构建答案非常有用,最后的答案长度趋于更长,缺点是并行度差,需要更长的处理时间。
Map_rank方法:一种实验性的方法,为每个文档执行一次LLM调用,并返回回答与评分,选择分数最高的那个回答。这个方法,依赖于语言模型需要知道如何评分以及你关于评分的指导说明。这个方法并行度和MapReduce方法一样。
2.5. LLM应用评估
这节主要深入介绍一些框架,以及帮助进行评估的工具,亮点是使用LLM和链式操作来评估其他LLM、链式操作或者应用程序。
一种做法是,查看数据,提出示例问题,并提供正确答案以便评估,这个过程可以使用QAGenerateChain类来实现自动化。
另外,可以使用QAEvalChain类,来自动评估LLM对问题的回答是否是正确的,这个很重要,因为很多时候,可能正确答案跟回答的意思是一样的,但是表述却区别很大,无法单纯使用字符串匹配或者正则来比较。
为了调试中间过程,可以将langchain.debug = True,这样中间的提示,QA的检索过程,输入输出,token的使用情况等信息都可以打印出来。
另外本节还简单介绍了一下LangChain评估平台,可以将上述过程持久化并在用户界面中展示出来,另外还可以查看中间的调试信息,并且可以将生成的问答整理成新的数据集。
2.6. 代理
代理的目的,是将LLM视为一个推理引擎,你可以提供文本块或者其他信息源给它,然后这个LLM可以利用互联网上学到的背景知识,帮助回答问题和推理内容。
本节主要内容包括如何创建和使用代理,如何为其配备内在LangChain中的搜索引擎等不同类型的工具,让代理可以与任何数据存储,任何API和函数进行交互。
2.6.1. 预定义工具
- llm-math:实际是个Chain,使用语言模型和计算器来解决数学问题。
- wikipedia:维基百科工具,连接到维基百科的API,允许对维基百科进行搜索查询并返回结果。
- PythonREPLTool:python执行环境,根据输入提示,使用python进行推理,并对推理结果进行相应处理,如打印出来。
初始化代理后,代理能够自动根据问题的类型,选择合适的工具进行推理,开了verbose标志后,可以看到代理每一步的推理过程。
2.6.2. 自定义工具
另外,还可以将代理连接到自己的信息源、API和数据,需要自定义自己的工具,操作步骤:
在自己的工具函数前加上LangChain库中的@tool装饰器,然后写一个非常详细的文档,用来让代理了解一些约束及如何调用该工具。
(完)
本文版权归作者(https://www.cnblogs.com/harrymore/)和博客园共有,欢迎转载
配套代码:
由于资源时常更新,链接不稳定,可以在助理处自取该文章配套代码:
【一】上千篇CVPR、ICCV顶会论文
【二】动手学习深度学习、花书、西瓜书等AI必读书籍
【三】机器学习算法+深度学习神经网络基础教程
【四】OpenCV、Pytorch、YOLO等主流框架算法实战教程