langchain介绍以及简单实用

news2024/11/15 12:43:44

1,介绍

LangChain是一个用于开发由大语言模型支持的应用程序的框架。它提供了大量组件来帮助我们构建LLM支持的应用程序。
其主要是有六大功能组成。
LLMs(大语言模型（生成式语言模型）)，Prompts(提示词)，Memory(记忆力)，chains，Document Loaders(各种格式文件的加载器)，Vector Stores(向量的存储)
在这里插入图片描述

LLMs

LLMs，即大型语言模型，是具有数十亿个参数的强大深度学习模型，在各种自然语言处理任务中表现出色。它们可以执行诸如翻译、情感分析和聊天机器人对话等任务，而无需进行特定训练。LLMs由多个神经网络层组成，包括前馈、嵌入和注意力层，共同处理输入文本并生成预测。虽然LLMs有改变行业的潜力，但应考虑它们的限制和伦理影响。开发人员应优化这些模型，以最大程度地减少偏见并增强其实用性。LLMs可以处理的最大标记数取决于具体的实现。在LangChain中，最大标记数由所使用的底层OpenAI模型确定。为了处理超过标记限制的输入文本，可以将其拆分为较小的块并单独处理，然后再将结果组合起来。

Prompts

是在使用大型语言模型时必须掌握的关键方面。通过精心设计适当的提示，即使使用较弱或开源模型，也可以达到可比较的准确性水平。

角色提示（Role prompting）涉及指示LLM在执行任务时扮演特定的角色或身份。例如，可以要求它扮演一个文案撰稿人的角色。这种方法通过提供上下文或观点来引导模型的回应。为了有效地利用角色提示，可以按照以下迭代步骤进行操作：

1.在提示中明确指定所需的角色，例如：“作为一个文案撰稿人，为AWS服务生成引人注目的口号。”
2.利用提示从LLM生成输出。
3.分析生成的回应，并根据需要改进提示以提升结果的质量。

Memory

第三个重要功能模块就是Memory，实现记忆历史对话内容。大多数LLM应用都具有对话界面。对话的一个重要组成部分是能够引用先前在对话中介绍过的信息。至少，一个对话系统应该能够直接访问一些过去消息的窗口。更复杂的系统将需要拥有一个不断更新的世界模型，使其能够保持关于实体及其关系的信息。大模型本身是概率模型，基于前置条件，即输入和分布，即可得出对应输出。但是整个流程是一次性的，对于初始的且没有经过任何处理的大模型，是不具备记忆存储功能，这个功能模块是需要应用开发者进行开发的。

Chains

处理业务流
Chain 作为 LangChain 的核心模块之一，重要性不言而喻，它相当于是所有复杂逻辑的基础，用来将每个零散的逻辑串联成一整个业务流程，Chain 的设计非常巧妙，可以说是大模型应用的最佳实践之一。
在这里插入图片描述
Chains主要包含以下几个模块，接下来的实践演练，会分别演示这几个模块的使用。

Document loader

Document loader（文档加载器），使用文档加载器将数据从数据源加载为 Document 对象的数据。

Document 是 LangChain 提供的一个类，包含一段文本和与文本关联的元数据。我们读取数据后就会转换成 Document 对象。

例如，有一些文档加载器用于加载简单的 .txt 文件、加载任何网页的文本内容，甚至用于加载 YouTube 视频。文档加载器提供了“ load ”方法，用于从配置的源加载数据，转换为 Document。它们还可以选择实现“延迟加载”，以便将数据延迟加载到内存中。

基于 LLM 的应用程序经常需要从数据库或文件（如 PDF）中提取数据，并将其转换为 LLM 可以使用的格式。在LangChain中，这通常涉及创建 Document 对象，这些对象封装了提取的文本（page_content）以及元数据（metadata 包含文档详细信息的字典），例如作者姓名或出版日期。

Document 对象通常被格式化为提示，这些提示被输入到 LLM 中，允许 LLM 使用 Document 中的信息来生成所需的响应（例如，总结文档）。Documents 既可以立即使用，也可以索引到向量存储中，以备将来检索和使用。

Vector Stores

Vector Stores在LangChain框架中是连接语言模型与实际应用数据的关键桥梁，为构建智能化、高效的语言处理应用提供了强大的基础设施支持。

理解向量存储前需了解向量嵌入（Embeddings）。文本向量化是将文本转换成数值向量的过程，这些向量能够在多维空间中捕捉词语或文档之间的语义相似性。常见的嵌入模型如Word2Vec、BERT、Sentence Transformers等，可以被用来生成这样的向量。

Vector Stores 的用途
高效检索：Vector Stores主要用于存储这些嵌入向量，并支持高效的相似性搜索，使得用户能够根据输入的查询（也是一个向量）快速找到最相关的文档、段落或信息。
语义搜索：由于向量能够表达语义关系，Vector Stores使得基于内容而非关键词的搜索成为可能，大大提高了搜索的准确性和相关性。
Vector Stores 实现方式
LangChain支持多种向量存储后端，包括但不限于：

FAISS：Facebook AI Similarity Search，一个高效的相似性搜索库，特别适合大规模的向量数据集。
Pinecone、Qdrant：云原生的向量数据库服务，提供了API接口，便于管理和检索向量数据。（这里插一嘴，我们项目用的就是 Qdrant，好用就完事了~😊）
Weaviate：一个语义搜索引擎，支持向量搜索和知识图谱管理。
Chroma：一个开源的向量数据库，专为机器学习和NLP应用设计。
Vector Stores 功能特性
索引构建：可以为文档集合创建索引，这个过程涉及将文档转换为向量并存储起来，以便后续快速检索。
更新与删除：支持对向量数据的动态管理，包括源文档更新时的向量重计算以及删除不再需要的向量。
检索优化：通过近似最近邻（Approximate Nearest Neighbor, ANN）算法，在保证较高精度的同时，实现了对大规模数据集的高效检索。
Vector Stores 应用场景
问答系统：快速从大量文档中找到与问题最相关的答案。
个性化推荐：基于用户历史行为和偏好生成的向量，来推荐相似或相关的内容。
知识图谱增强：结合向量搜索提高知识图谱节点间链接的发现和查询效率。
文档检索系统：企业内部文档、网页内容的快速语义搜索。

2，实例

import os.path
from langchain_community.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain_community.embeddings.huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_community.chat_models import QianfanChatEndpoint


def load_documents():
    # 读取文本数据
    loader = TextLoader("./book/xiyouji.txt")
    documents = loader.load()
    text_splitter = CharacterTextSplitter(
        separator="\n",
        chunk_size=10000,
        chunk_overlap=10,
        length_function=len,
        is_separator_regex=False,
    )
    texts = text_splitter.split_documents(documents)
    print("========---"+texts[99].page_content)
    return texts;

def load_embedding_mode(model_names="ernie-tiny"):
    return HuggingFaceEmbeddings(model_name='text2vec-base-chinese',
                                   model_kwargs={'device': 'cpu'})


def store_chrome(docs,embeddings):
    # 使用FAISS模块将文档转换为向量，并将向量存储到vector_store_local对象中。然后将向量存储保存到本地。
    vector_store = FAISS.from_documents(docs, embeddings)
    vector_store.save_local('vector_store_local')
    return vector_store


embeddings = load_embedding_mode('text2vec3')
chatBot = QianfanChatEndpoint(
    streaming=True,
    model="ERNIE-Bot",
)

if not os.path.exists('vector_store_local'):
    documents = load_documents()
    db = store_chrome(documents, embeddings)
else:
    new_db = FAISS.load_local("vector_store_local", embeddings)
    docs = new_db.similarity_search("唐僧是谁的师傅")
    print("结果："+docs[0].page_content)