前面的文章了不起给大家介绍了 langchain 的一些基本知识，没看过的小伙伴可以点击这里去看下，今天了不起给大家介绍一下 langchain 的第一个很重要的组件模型 model。
注意这里说的模型是指 langchain 的模型组件，而不是指类似于 openai 的语言模型，之所以 langchain 会出现模型组件就是因为业内的语言模型太多了，除了 openai 这家公司的语言模型之外，还很有很多其他家的。
langchain 的模型组件有三种类型，分别是 llm 大语言模型，chat model 聊天模型和文本嵌入模型 text embedding models。
llm 大语言模型llm 作为最基本的一种模型组件，输入和输出都只支持字符串，在大部分的场景下就可以满足我们的需求了。我们可以在 colab([https://colab.research.google.com) 上面直接写 python 代码
举个栗子下面是一个 case，先安装依赖，再执行下面的代码。
pip install openaipip install langchain
import os# 配置openai 的 api keyos.environ[openai_api_key] =sk-xxx# 从 langchain 中导入 openai 的模型from langchain.llms import openai# 三个参数分别代表openai 的模型名称，执行的次数和随机性，数值越大越发散llm = openai(model_name=text-davinci-003, n=2, temperature=0.3)llm.generate([给我讲一个故事, 给我讲一个笑话])
运行的结果如下
chat model 聊天模型chat model 是基于 llm 模型的，只不过 chat model 相对于 llm 模型组件间输入和输出更加结构化，输入和输出的参数的类型都是 chat model，而不是简单的字符串。常用的 chat model 类型有如下几种
aimessage：用来保存 llm 的响应，以便在下次请求时把这些信息传回给 llm。humanmessage：发送给 llms 的提示信息，比如“实现一个快速排序方法”systemmessage：设置 llm 模型的行为方式和目标。你可以在这里给出具体的指示，比如“作为一个代码专家”，或者“返回 json 格式”。chatmessage：chatmessage 可以接收任意形式的值，但是在大多数时间，我们应该使用上面的三种类型。举个栗子from langchain.chat_models import chatopenaifrom langchain.schema import (aimessage,humanmessage,systemmessage)chat = chatopenai(temperature=0)messages = [systemmessage(cnotallow=返回的数据markdown 语法进行展示，代码使用代码块包裹),humanmessage(cnotallow=用 java 实现一个二分查找算法)]print(chat(messages))
生成的内容字符串形式如下
折半查找算法是一种用于在有序数组中查找特定元素的搜索算法，也称为二分查找算法。该算法的时间复杂度为 o(log n)。\n\n以下是 java 实现二分查找算法的代码：\n\njava\npublic class binarysearch {\n public static int binarysearch(int[] arr, int target) {\n int left = 0;\n int right = arr.length - 1;\n while (left <= right) {\n int mid = (left + right) / 2;\n if (arr[mid] == target) {\n return mid;\n } else if (arr[mid] < target) {\n left = mid + 1;\n } else {\n right = mid - 1;\n }\n }\n return -1;\n }\n\n public static void main(string[] args) {\n int[] arr = {1, 3, 5, 7, 9};\n int target = 5;\n int index = binarysearch(arr, target);\n if (index != -1) {\n system.out.println(目标元素 + target + 在数组中的下标为 + index);\n } else {\n system.out.println(目标元素 + target + 不在数组中);\n }\n }\n}\n\n\n在上述代码中，binarysearch 方法接收一个有序数组和一个目标元素，返回目标元素在数组中的下标，如果目标元素不在数组中，则返回 -1。\n\n在 binarysearch 方法中，使用两个指针 left 和 right 分别指向数组的左右两端，然后在一个 while 循环中不断缩小查找范围，直到找到目标元素或者查找范围为空。在每次循环中，计算中间位置 mid，然后将目标元素与中间位置的元素进行比较，如果相等，则返回中间位置的下标；如果目标元素比中间位置的元素大，则将左指针移到中间位置的右边；如果目标元素比中间位置的元素小，则将右指针移到中间位置的左边。' additional_kwargs={} example=false
将 content 里面的内容提取出来，用 markdown 语法展示出来是这样的
使用这个模型组件，可以进行一些角色的预设，然后来定制个性化的问答。
prompts templatefrom langchain.chat_models import chatopenaifrom langchain.prompts import (chatprompttemplate,prompttemplate,systemmessageprompttemplate,aimessageprompttemplate,humanmessageprompttemplate,)from langchain.schema import (aimessage,humanmessage,systemmessage)system_template=你是一个把{input_language}翻译成{output_language}的助手system_message_prompt = systemmessageprompttemplate.from_template(system_template)human_template={text}human_message_prompt = humanmessageprompttemplate.from_template(human_template)chat_prompt = chatprompttemplate.from_messages([system_message_prompt, human_message_prompt])messages = chat_prompt.format_prompt(input_language=英语, output_language=汉语, text=i love programming.)print(messages)chat = chatopenai(temperature=0)print(chat(messages.to_messages()))
output
messages=[systemmessage(cnotallow='你是一个把英语翻译成汉语的助手', additional_kwargs={}), humanmessage(cnotallow='i love programming.', additional_kwargs={}, example=false)] cnotallow='我喜欢编程。example=false, additional_kwargs={}
文本嵌入模型 text embedding models文本嵌入模型组件相对比较难理解，这个组件接收的是一个字符串，返回的是一个浮点数的列表。在 nlp 领域中 embedding 是一个很常用的技术，embedding 是将高维特征压缩成低维特征的一种方法，常用于自然语言处理任务中，如文本分类、机器翻译、推荐系统等。它将文本中的离散数据如单词、短语、句子等，映射为实数向量，以更好地进行神经网络处理和学习。通过 embedding，文本数据可以被更好地表示和理解，提高了模型的表现力和泛化能力。
举个栗子from langchain.embeddings import openaiembeddingsembeddings = openaiembeddings()text = hello worldquery_result = embeddings.embed_query(text)doc_result = embeddings.embed_documents([text])print(query_result)print(doc_result)
output
[-0.01491016335785389, 0.0013780705630779266, -0.018519161269068718, -0.031111136078834534, -0.02430146001279354, 0.007488010451197624,0.011340680532157421, 此处省略 .......
总结今天给大家介绍了一下 langchain 的模型组件，有了模型组件我们就可以更加方便的跟各种 llms 进行交互了。
参考资料官方文档：https://python.langchain.com/en/latest/modules/models.html
以上就是java 程序员从零开始学 langchain —模型组件的详细内容。