分類目錄：《大模型從入門到應用》總目錄

LangChain系列文章：

• 基礎知識
• 快速入門
  • 安裝與環(huán)境配置
  • 鏈（Chains）、代理（Agent:）和記憶（Memory）
  • 快速開發(fā)聊天模型
• 模型（Models）
  • 基礎知識
  • 大型語言模型（LLMs）
    • 基礎知識
    • LLM的異步API、自定義LLM包裝器、虛假LLM和人類輸入LLM（Human Input LLM）
    • 緩存LLM的調用結果
    • 加載與保存LLM類、流式傳輸LLM與Chat Model響應和跟蹤tokens使用情況
  • 聊天模型（Chat Models）
    • 基礎知識
    • 使用少量示例和響應流式傳輸
  • 文本嵌入模型
    • Aleph Alpha、Amazon Bedrock、Azure OpenAI、Cohere等
    • Embaas、Fake Embeddings、Google Vertex AI PaLM等
• 提示（Prompts）
  • 基礎知識
  • 提示模板
    • 基礎知識
    • 連接到特征存儲
    • 創(chuàng)建自定義提示模板和含有Few-Shot示例的提示模板
    • 部分填充的提示模板和提示合成
    • 序列化提示信息
  • 示例選擇器（Example Selectors）
  • 輸出解析器（Output Parsers）
• 記憶（Memory）
  • 基礎知識
  • 記憶的類型
    • 會話緩存記憶、會話緩存窗口記憶和實體記憶
    • 對話知識圖譜記憶、對話摘要記憶和會話摘要緩沖記憶
    • 對話令牌緩沖存儲器和基于向量存儲的記憶
  • 將記憶添加到LangChain組件中
  • 自定義對話記憶與自定義記憶類
  • 聊天消息記錄
  • 記憶的存儲與應用
• 索引（Indexes）
  • 基礎知識
  • 文檔加載器（Document Loaders）
  • 文本分割器（Text Splitters）
  • 向量存儲器（Vectorstores）
  • 檢索器（Retrievers）
• 鏈（Chains）
  • 基礎知識
  • 通用功能
    • 自定義Chain和Chain的異步API
    • LLMChain和RouterChain
    • SequentialChain和TransformationChain
    • 鏈的保存（序列化）與加載（反序列化）
  • 鏈與索引
    • 文檔分析和基于文檔的聊天
    • 問答的基礎知識
    • 圖問答（Graph QA）和帶來源的問答（Q&A with Sources）
    • 檢索式問答
    • 文本摘要（Summarization）、HyDE和向量數(shù)據(jù)庫的文本生成
• 代理（Agents）
  • 基礎知識
  • 代理類型
  • 自定義代理（Custom Agent）
  • 自定義MRKL代理
  • 帶有ChatModel的LLM聊天自定義代理和自定義多操作代理（Custom MultiAction Agent）
  • 工具
    • 基礎知識
    • 自定義工具（Custom Tools）
    • 多輸入工具和工具輸入模式
    • 人工確認工具驗證和Tools作為OpenAI函數(shù)
  • 工具包（Toolkit）
  • 代理執(zhí)行器（Agent Executor）
    • 結合使用Agent和VectorStore
    • 使用Agents的異步API和創(chuàng)建ChatGPT克隆
    • 處理解析錯誤、訪問中間步驟和限制最大迭代次數(shù)
    • 為代理程序設置超時時間和限制最大迭代次數(shù)和為代理程序和其工具添加共享內存
  • 計劃與執(zhí)行
• 回調函數(shù)（Callbacks）

使用少量示例

本部分的內容介紹了如何在聊天模型（Chat Models）中使用少量示例。關于如何最好地進行少量示例提示尚未形成明確的共識。因此，我們尚未固定任何關于此的抽象概念，而是使用現(xiàn)有的抽象概念。

交替的人工智能/人類消息

進行少量示例提示的第一種方式是使用交替的人工智能/人類消息。以下是一個示例：

from langchain.chat_models import ChatOpenAI
from langchain import PromptTemplate, LLMChain
from langchain.prompts.chat import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    AIMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
from langchain.schema import (
    AIMessage,
    HumanMessage,
    SystemMessage
)

chat = ChatOpenAI(temperature=0)

template="You are a helpful assistant that translates english to pirate."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
example_human = HumanMessagePromptTemplate.from_template("Hi")
example_ai = AIMessagePromptTemplate.from_template("Argh me mateys")
human_template="{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, example_human, example_ai, human_message_prompt])

chain = LLMChain(llm=chat, prompt=chat_prompt)

# 從格式化的消息中獲取聊天完成結果
chain.run("I love programming.")

輸出：

"I be lovin' programmin', me hearty!"

系統(tǒng)消息

OpenAI提供了一個可選的name參數(shù)，我們也建議與系統(tǒng)消息一起使用以進行少量示例提示。以下是如何使用此功能的示例：

template="You are a helpful assistant that translates english to pirate."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
example_human = SystemMessagePromptTemplate.from_template("Hi", additional_kwargs={"name": "example_user"})
example_ai = SystemMessagePromptTemplate.from_template("Argh me mateys", additional_kwargs={"name": "example_assistant"})
human_template="{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, example_human, example_ai, human_message_prompt])
chain = LLMChain(llm=chat, prompt=chat_prompt)

# 從格式化的消息中獲取聊天完成結果
chain.run("I love programming.")

輸出：

"I be lovin' programmin', me hearty!"

響應流式傳輸

本部分介紹了如何在聊天模型中使用流式傳輸：

from langchain.chat_models import ChatOpenAI
from langchain.schema import (
    HumanMessage,
)
from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
chat = ChatOpenAI(streaming=True, callbacks=[StreamingStdOutCallbackHandler()], temperature=0)
resp = chat([HumanMessage(content="Write me a song about sparkling water.")])

輸出：

Verse 1:
Bubbles rising to the top
A refreshing drink that never stops
Clear and crisp, it's pure delight
A taste that's sure to excite

Chorus:
Sparkling water, oh so fine
A drink that's always on my mind
With every sip, I feel alive
Sparkling water, you're my vibe

Verse 2:
No sugar, no calories, just pure bliss
A drink that's hard to resist
It's the perfect way to quench my thirst
A drink that always comes first

Chorus:
Sparkling water, oh so fine
A drink that's always on my mind
With every sip, I feel alive
Sparkling water, you're my vibe

Bridge:
From the mountains to the sea
Sparkling water, you're the key
To a healthy life, a happy soul
A drink that makes me feel whole

Chorus:
Sparkling water, oh so fine
A drink that's always on my mind
With every sip, I feel alive
Sparkling water, you're my vibe

Outro:
Sparkling water, you're the one
A drink that's always so much fun
I'll never let you go, my friend
Sparkling

參考文獻：
[1] LangChain ????? 中文網，跟著LangChain一起學LLM/GPT開發(fā)：https://www.langchain.com.cn/
[2] LangChain中文網 - LangChain 是一個用于開發(fā)由語言模型驅動的應用程序的框架：http://www.cnlangchain.com/文章來源地址http://www.zghlxwxcb.cn/news/detail-605908.html

到了這里，關于自然語言處理從入門到應用——LangChain：模型（Models）-[聊天模型（Chat Models）：使用少量示例和響應流式傳輸]的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！