探索Langchain与国内智谱清言：构建先进的智能对话系统[第二课]

news2025/1/15 19:34:22

在当今的人工智能领域，构建一个能够流畅对话的智能系统是许多企业和开发者的目标。Langchain和国内智谱清言（BigModel）提供了强大的工具和API，使得这一目标变得更加容易实现。
在这里插入图片描述

语言模型的力量

语言模型是智能对话系统的核心，它负责理解用户的输入并生成合适的响应。Langchain提供了一个易于使用的接口来访问这些模型，而国内智谱清言则提供了强大的语言处理能力，如glm-4-air模型，这些都是构建智能对话系统的关键组件。

语言模型（Language Model）的实例化

在构建智能对话系统时，实例化语言模型是一个关键步骤。以下是如何实例化一个基于OpenAI技术的聊天模型的示例。由于国外的模型被墙，下面讲解使用的国内智谱清言的glm-4-air模型做为示例。

安装国内智谱清言Langchain SDK

首先需要安装 Langchain 和对应的依赖包，请确保 langchain_community 的版本在 0.0.32 以上。

pip install langchain langchainhub httpx_sse

1. 配置和实例化 ChatOpenAI

首先，我们需要从配置文件中获取API密钥，然后使用这些密钥来实例化语言模型。这里使用的是ChatOpenAI类，它可能是一个封装了OpenAI API的类，用于与语言模型进行交互。

from langchain_openai import ChatOpenAI

class MyChatSystem:
    def __init__(self, config):
        self.config = config
        self.llm = self.initialize_language_model()

    def initialize_language_model(self):
        # 从配置文件中获取API密钥
        api_key = config.get('chatgpt', 'zhipu_apikey') #config是假想的一个函数，用于取ini文件一个节点值.

        # 实例化ChatOpenAI
        llm = ChatOpenAI(
            temperature=0.9,
            model="glm-4-air",
            openai_api_key=api_key,
            openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
        )
        return llm

参数解释

temperature: 控制生成文本的创新程度。值越高，生成的文本越多样化和不可预测。
model: 使用的语言模型的名称或标识符。
openai_api_key: 用于访问智谱清言申请到OpenAI API的密钥。
openai_api_base: OpenAI API的基础URL。

2. 输出解析器（Output Parser）

输出解析器是对话系统中的另一个重要组件，它负责解析语言模型生成的输出，并将其转换成可用的格式。在许多情况下，语言模型生成的输出是原始文本，但有时候我们需要将这些文本转换成特定的数据结构或者执行特定的逻辑。

StrOutputParser 是一个简单的输出解析器，它将模型的输出解析为字符串。这种解析器适用于需要将对话系统的响应以文本形式返回给用户的场景。

整合语言模型和输出解析器

在实际应用中，我们需要将语言模型和输出解析器整合到对话系统中。以下是一个简单的示例，展示如何使用这两个组件：

# 导入必要的库
from langchain_openai import ChatOpenAI2
from langchain_core.output_parsers import StrOutputParser

# 创建语言模型实例
 # 从配置文件中获取API密钥
api_key = config.get('chatgpt', 'zhipu_apikey') #config是假想的一个函数，用于取ini文件一个节点值.

# 实例化ChatOpenAI
chat_model  = ChatOpenAI(
    temperature=0.9,
    model="glm-4-air",
    openai_api_key=api_key,
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
)
        
# 创建输出解析器实例
parser = StrOutputParser()

# 用户输入
user_input = "你好，今天天气怎么样？"

# 使用语言模型生成响应
model_output = chat_model.generate_response(user_input)

# 使用输出解析器解析模型输出
parsed_output = parser.parse(model_output)

# 打印解析后的输出
print(parsed_output)