langchain进阶一:特殊的chain,轻松实现对话,与数据库操作,抽取数据,以及基于本地知识库的问答

特殊的chain

langchain中的Chain有很多,能够轻松实现部分需求,极致简化代码,但是实现效果与模型智慧程度有关

会话链

效果与LLMChain大致相同

javascript
复制代码
from langchain.chains import ConversationChain
from langchain_community.llms import OpenAI
conversation = ConversationChain(llm=OpenAI())

SQL链

顾名思义,跟数据库有关,可以使用自然语言进行数据库操作,他自动生成sql语句操作,并且进行归纳回答,速度比直接使用数据库链接工具更慢,智慧程度低对的模型进行理解自然语言时出现偏差可能会把数据库秒了.属于待开发功能

ini
复制代码
 # pip install -U langchain langchain-community langchain-openai
from langchain_openai import ChatOpenAI
from langchain.chains import create_sql_query_chain#查询链
from langchain_community.utilities import SQLDatabase
db = SQLDatabase.from_uri("mysql+pymysql://{数据库用户名}:{密码}@localhost/{数据库名}")
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
chain = create_sql_query_chain(llm, db)
response = chain.invoke({"question": "这个数据库中有多少数据"})

ini
复制代码
#数据库crud都能操作,但是可能会秒数据库,在以后的版本可能会被移除
import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
OPENAI_API_BASE=os.environ["OPENAI_API_BASE"] 
OPENAI_API_KEY=os.environ["OPENAI_API_KEY"]
os.environ["SERPAPI_API_KEY"]
from langchain_openai import ChatOpenAI
from langchain.utilities import SQLDatabase
from langchain_experimental.sql import SQLDatabaseChain
from langchain.memory import ConversationBufferMemory
db = SQLDatabase.from_uri("mysql+pymysql://{数据库用户名}:{密码}@localhost/{数据库名}")
llm=ChatOpenAI(api_key=OPENAI_API_KEY,base_url=OPENAI_API_BASE,temperature=0)#扩散度置为0,回答更准确
memory = ConversationBufferMemory(memory_key="chat_history")
db_chain = SQLDatabaseChain(llm=llm,
                            database=db, 
                            verbose=False,
                            use_query_checker=True, 
                            memory=memory)
text="表中有那些字段"
res=db_chain.run(text)
print(res)

抽取链

将人的自然语言转换成结构化语句,除了使用人力或者专门训练的模型似乎没有好的解决办法langchain中有个内置的抽取链,能够做到这件难事儿,实现抽取链有两种方式

使用langchain的create_extraction_chain

使用langchain稳定版本中的抽取链

ini
复制代码
import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
OPENAI_API_BASE=os.environ["OPENAI_API_BASE"] 
OPENAI_API_KEY=os.environ["OPENAI_API_KEY"]
from langchain.chains import create_extraction_chain
from langchain_openai import ChatOpenAI
from langchain.prompts import (
    PromptTemplate,
)

llm=ChatOpenAI(api_key=OPENAI_API_KEY,base_url=OPENAI_API_BASE,temperature=0)

def extract(res:str):
    prompt = PromptTemplate(
    template="分析出\n{res}\n中的水果\n",#进行提示告诉它该怎么做
    input_variables=["res"],
    )
    # Schema定义结构化的数据模型
    schema = {
        "properties": {
            "reason": {"fruit": "string"},
        },
        "required": ["fruit"],
    }
    chain = create_extraction_chain(schema, llm, prompt,verbose=True)
    return chain.run(res)

if __name__ == "__main__":
    res = "我喜欢吃苹果,它让我感到幸福"
    print(extract(res))

使用kor.extraction的create_extraction_chain

ini
复制代码
#pip install kor
import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
OPENAI_API_BASE=os.environ["OPENAI_API_BASE"] 
OPENAI_API_KEY=os.environ["OPENAI_API_KEY"] 
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.schema.prompt_template import BasePromptTemplate
from kor.extraction import create_extraction_chain# %% 信息抽取链 %%
from kor.nodes import Object, Text, Number #%% 节点类型 %%
import json

def json_dump(json_object): 
   json_formatted_str = json.dumps(json_object, indent=2, ensure_ascii=False) 
   print(json_formatted_str)

llm=ChatOpenAI(api_key=OPENAI_API_KEY,base_url=OPENAI_API_BASE,temperature=0)

res_schema = Object(
    id="成绩",
    description="关于成绩的信息",# %%描述信息 %%
    attributes=[#%% 属性text表示字符串字段，number表示数字字段 %%
        Text(
            id="name",
            description="这个人的名字."
        ),
        Text(
            id="Results",
            description="关于这个人的成绩."
        ),
        Number(
            id="ranking",
            description="关于这个人的排名."
        )
    ],
    examples=[# 给模型的样本例子，将数据输出成例子一样的格式 
        (
            '''张山这次获得第一名，他考了100分, 而李四获得第五名，他考了80.''',
            [
                {"name": "张三", "Results": "100", "ranking": 1},
                {"name": "李四", "Results": "80", "ranking": 5},
            ],
        )
    ]
)
extraction_chain = create_extraction_chain(llm, res_schema)
text="王五比赵六多10分，赵六只考了60分排十名，赵六比他多三名"
output=extraction_chain.run(text)
json_dump(output)

根据使用,第三方的kor抽取效果要更好,但是会有警告,而且需要自己转换数据类型,官方也没有给出后续是否会移除这个kor

QA链

众所周知,大语言模型知道很多东西,知识很有广度,但我问他xx大学有什么选修课的时候,他可能就无法回答,如果他有这个大学的选修课知识库,就能回答了,所以QA链就是基于某个知识库进行问答的,这个知识库可以是txt,pdf,或者mongoDB,但必须是一个文档.

需要将文档进行加载,使用text_splitter进行向量存储,这里有一个向量数据库的概念就不过多描述了,有兴趣可以自行了解.

ini
复制代码
import os
from dotenv import find_dotenv, load_dotenv
load_dotenv(find_dotenv())
OPENAI_API_BASE=os.environ["OPENAI_API_BASE"] 
OPENAI_API_KEY=os.environ["OPENAI_API_KEY"] 

from langchain_openai import ChatOpenAI,OpenAIEmbeddings

from langchain_community.document_loaders import PyMuPDFLoader

from langchain.chains.question_answering import load_qa_chain
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import Chroma

PDF_NAME = 'xxx.pdf'##pdf的地址
docs = PyMuPDFLoader(PDF_NAME).load()##加载到docs中
#进行向量存储
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
split_docs = text_splitter.split_documents(docs)

embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(split_docs, embeddings, collection_name="serverless_guide")

llm=ChatOpenAI(api_key=OPENAI_API_KEY,base_url=OPENAI_API_BASE,temperature=0)
chain = load_qa_chain(llm, chain_type="stuff",verbose=True)

def search_recommend(human_input):
    query = human_input
    similar_docs = vectorstore.similarity_search(query, 3)
    res=chain.run(input_documents=similar_docs, question=query)#run方法后续将换成invoke
    return res

text="简单介绍一下主要内容"
res=search_recommend(text)
print(res)

langchain中还有更多其他的链,可在官方文档中查看,最好是英文文档,中文文档更新速度很慢

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍