目录

接入自己的LLM

搭建ChatGLM的api

封装ChatGLM的LLM

测试

总结

参考

---

最新一段时间一直在学习LangChain相关的文档，发现LangChain提供了非常丰富的生态，并且也可以让业务非常方便的封装自己的工具，接入到LangcChain的生态中，比如切换不同向量存储（Vectorstores）、文件分片(Text Splitters)和文件加载器(Document Loaders)等。 本文将简单介绍下如何将自己搭建的ChatGLM集成进LangChain工具链中，当然如果有其他的自己搭建的LLM模型也可以采用类似的方式集成。

 

接入自己的LLM

参考官方文档# How to write a custom LLM wrapper,只需要集成LLM方法，并且实现_call方法即可。一个简单的自定义LLM如下：

from langchain.llms.base import LLM
from typing import Optional, List, Mapping, Any

class CustomLLM(LLM):
  n:int
  
  @property
  def _llm_type(self) -> str:
    return "custom"

  def _call(self,prompt:str,stop:Optional[List[str]]=None) -> str:
    if stop is not None:
      raise ValueError("stop kwargs are not permitted")
    return prompt[:self.n]
  
  @property
  def _identifying_params(self) -> Mapping[str, Any]:
        """Get the identifying parameters."""
        return {"n": self.n}

上面虽然只是一个最简单的实现，但是进一步思考，如果有自己的LLM，是不是也可以通过类似的方式接入到LangChain的生态中呢？

正好最近也在搭建ChatGLM，于是在想是不是可以将ChatGLM加入到LangChain工具链中来，利用其提供的工具方便做更深入的研究。于是搜索了一番，果然有类似开源实现，比如thomas-yanxin/LangChain-ChatGLM-Webui，一种利用 ChatGLM-6B + langchain 实现的基于本地知识的 ChatGLM 应用。但是研究了一下代码，发现其是将ChatGLM-6B和LangChain部署在一起的。但是由于资源有限，目前只有少量的显卡，不能每个人都能部署一套ChatGLM。

进一步思考，是否ChatGLM也提供了类似于openai的api接口呢，只需要进行http调用就可以使用ChatGLM的能力？这样就可以将：ChatGLM和上层的应用解耦，每个人都可以在自己本地通过api调用来进行实验。

 

搭建ChatGLM的api

查阅ChatGLM-6B文档，也发现了其确实可以通过API方式提供服务。 具体如下：

• 首先需要安装额外的依赖 pip install fastapi uvicorn ，然后运行仓库中的 api.py： python api.py
• 默认部署在本地的 8000 端口，通过 POST 方法进行调用

curl -X POST "http://{your_host}:8000" \
     -H 'Content-Type: application/json' \
     -d '{"prompt": "你好", "history": []}'
复制代码

• 得到的返回值为

{
  "response":"你好👋！我是人工智能助手 ChatGLM-6B，很高兴见到你，欢迎问我任何问题。",
  "history":[["你好","你好👋！我是人工智能助手 ChatGLM-6B，很高兴见到你，欢迎问我任何问题。"]],
  "status":200,
  "time":"2023-03-23 21:38:40"
}

封装ChatGLM的LLM

 

有了API之后，就可以参照上面的自定义LLM的方式封装ChatGLM了，具体代码如下：

from langchain.llms.base import LLM
from langchain.llms.utils import enforce_stop_tokens
from typing import Dict, List, Optional, Tuple, Union

import requests
import json

class ChatGLM(LLM):
    max_token: int = 10000
    temperature: float = 0.1
    top_p = 0.9
    history = []

    def __init__(self):
        super().__init__()

    @property
    def _llm_type(self) -> str:
        return "ChatGLM"

    def _call(self, prompt: str, stop: Optional[List[str]] = None) -> str:
        # headers中添加上content-type这个参数，指定为json格式
        headers = {'Content-Type': 'application/json'}
        data=json.dumps({
          'prompt':prompt,
          'temperature':self.temperature,
          'history':self.history,
          'max_length':self.max_token
        })
        # print("ChatGLM prompt:",prompt)
        # 调用api
        response = requests.post("{your_host}/api",headers=headers,data=data)
		# print("ChatGLM resp:",response)
        if response.status_code!=200:
          return "查询结果错误"
        resp = response.json()
        if stop is not None:
            response = enforce_stop_tokens(response, stop)
        self.history = self.history+[[None, resp['response']]]
        return resp['response']

上面只是简单的调用ChatGLM API，让程序跑起来，当然也可以参照LangChain封装openai的方式来做更加复杂的封装，比如提供重试、限频退让重试等功能。

测试

llm = ChatGLM()
print(llm("你会做什么"))

输出如下：

ChatGLM prompt: 你会做什么
我是一个大型语言模型，被训练来回答人类提出的问题。我不能做任何实际的事情，只能通过文字回答问题。如果你有任何问题，我会尽力回答。

验证通过，可以通过封装的ChatGLM类来访问ChatGLM API。这样就可以将需要用到OpenAI的LLM类替换成自己封装的ChatGLM了。

总结

本文简单介绍下如何将自己搭建的ChatGLM集成进LangChain工具链中，并且进行简单的试验的效果。当然如果有其他自己搭建的LLM模型也可以采用类似的方式集成。后续将使用ChatGLM来实现一个本地知识库做问答系统。

参考

thomas-yanxin/LangChain-ChatGLM-Webui

使用langchain配合chatglm搭建本地的知识库，但是langchain和chatglm是部署在一起的，耦合性比较高

ChatGLM-6B

chatglm的api搭建