目前AI模型领域百家争鸣，尽管LangChain官方提供了一些接口，但是可能并不支持所有模型。如果你需要自定义模型并将其接入LangChain框架，这是一种可能的选择。刚好文心一言能力全面开放，本教程借助文心一言大模型讲解在LangChain如何自定义 LLM，点击查看《文心一言注册及调用教程》。 《LangChain 入门到实战教程》更多内容
自定义 LLM
自定义 LLM 需要实现以下必要的函数：
_call：它需要接受一个字符串、可选的停用词，并返回一个字符串。
它还可以实现第二个可选的函数：
_identifying_params：用于帮助打印 LLM 信息。该函数应该返回一个字典。
使用LLM模块来封装我们的模型接口，可以带来许多好处，其中之一就是有利于与LangChain的其他模块进行协同工作。
下面我们通过 LangChain自定义LLM 实现文心一言 ERNIE-Bot-turbo 大模型接入：
import json
import time
from typing import Any, List, Mapping, Optional, Dict, Union, Tuple
import logging
import requests
from langchain.callbacks.manager import CallbackManagerForLLMRun
from langchain.llms.base import LLM
from langchain.utils import get_from_dict_or_env
from pydantic import Field, root_validator
logger = logging.getLogger(__name__)
def get_access_token(api_key: str, secret_key: str):
"""
使用 API Key，Secret Key 获取access_token
"""
url = f"https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={api_key}&client_secret={secret_key}"
payload = json.dumps("")
headers = {
'Content-Type': 'application/json',
'Accept': 'application/json'
}
resp = requests.request("POST", url, headers=headers, data=payload)
return resp.json().get("access_token")
class ErnieLLm(LLM):
url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/eb-instant"
model_name: str = Field(default="ERNIE-Bot-turbo", alias="model")
request_timeout: Optional[Union[float, Tuple[float, float]]] = None
temperature: float = 0.95
"""temperature 说明：
（1）较高的数值会使输出更加随机，而较低的数值会使其更加集中和确定
（2）默认0.95，范围 (0, 1.0]，不能为0
（3）建议该参数和top_p只设置1个
（4）建议top_p和temperature不要同时更改
"""
top_p: float = 0.8
"""top_p 说明：
（1）影响输出文本的多样性，取值越大，生成文本的多样性越强
（2）默认0.8，取值范围 [0, 1.0]
（3）建议该参数和temperature只设置1个
（4）建议top_p和temperature不要同时更改
"""
penalty_score: float = 1.0
"""通过对已生成的token增加惩罚，减少重复生成的现象。说明：
（1）值越大表示惩罚越大
（2）默认1.0，取值范围：[1.0, 2.0]
"""
ernie_api_key: Optional[str] = None
"""文心一言大模型 apiKey"""
ernie_secret_key: Optional[str] = None
"""文心一言大模型 secretKey"""
user_id: Optional[str] = None
"""表示最终用户的唯一标识符，可以监视和检测滥用行为，防止接口恶意调用"""
streaming: bool = False
"""是否以流式接口的形式返回数据，默认false"""
cache: bool = False
"""是否开启缓存，默认为false"""
model_kwargs: Dict[str, Any] = Field(default_factory=dict)
"""Holds any model parameters valid for `create` call not explicitly specified."""
@root_validator()
def validate_environment(cls, values: Dict) -> Dict:
"""Validate that api key and python package exists in environment."""
values["ernie_api_key"] = get_from_dict_or_env(
values, "ernie_api_key", "ERNIE_API_KEY"
)
values["ernie_secret_key"] = get_from_dict_or_env(
values,
"ernie_secret_key",
"ERNIE_SECRET_KEY"
)
return values
@property
def _default_params(self) -> Dict[str, Any]:
"""获取调用Ennie API的默认参数。"""
normal_params = {
"temperature": self.temperature,
"top_p": self.top_p,
"penalty_score": self.penalty_score,
"request_timeout": self.request_timeout,
}
return {**normal_params, **self.model_kwargs}
def _construct_query(self, prompt: str) -> Dict:
"""构造请求体"""
query = {
"messages": [
{
"role": "user",
"content": prompt
}
],
"stream": self.streaming,
"temperature": self.temperature,
"top_p": self.top_p,
"penalty_score": self.penalty_score,
"user_id": self.user_id,
}
return query
@property
def _identifying_params(self) -> Mapping[str, Any]:
"""Get the identifying parameters."""
return {**{"model_name": self.model_name}, **self._default_params}
@property
def _llm_type(self) -> str:
return "ernie"
def _call(
self,
prompt: str,
stop: Optional[List[str]] = None,
run_manager: Optional[CallbackManagerForLLMRun] = None,
**kwargs: Any,
) -> str:
"""_call 实现对模型的调用"""
# construct query
query = self._construct_query(prompt=prompt)
# post
_headers = {"Content-Type": "application/json"}
with requests.session() as session:
resp = session.post(
self.url + "?access_token=" + get_access_token(self.ernie_api_key, self.ernie_secret_key),
json=query,
headers=_headers,
timeout=60)
if resp.status_code == 200:
resp_json = resp.json()
predictions = resp_json["result"]
return predictions
return "请求失败"
使用自定义 LLM
配置及加载环境变量
在 .env 文件中配置变量：
ERNIE_API_KEY=******
ERNIE_SECRET_KEY=******
加载配置文件：
import dotenv
dotenv.load_dotenv('.env')
调用 LLM
最简单的调用：
from ErnieModel import ErnieLLm
llm = ErnieLLm()
print(llm("你是文心一言吗?"))
运行结果：
是的，我是文心一言。我能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。
也可以通过构造直接传入 ernie_api_key和ernie_secret_key，如：
llm = ErnieLLm(ernie_api_key="******",ernie_secret_key="******")
LLM 关键参数
我们可以通过调整 temperature、top_p、penalty_score等参数来优化模型回答的结果。
temperature
说明：
（1）较高的数值会使输出更加随机，而较低的数值会使其更加集中和确定
（2）默认0.95，范围 (0, 1.0]，不能为0
（3）建议该参数和top_p只设置1个
（4）建议top_p和temperature不要同时更改
top_p
说明：
（1）影响输出文本的多样性，取值越大，生成文本的多样性越强
（2）默认0.8，取值范围 [0, 1.0]
（3）建议该参数和temperature只设置1个
（4）建议top_p和temperature不要同时更改
penalty_score
通过对已生成的token增加惩罚，减少重复生成的现象。说明：
（1）值越大表示惩罚越大
（2）默认1.0，取值范围：[1.0, 2.0]
使用方法：
llm = ErnieLLm(temperature=0.99)
print(llm("给我讲一个笑话"))
llm = ErnieLLm(temperature=0.95, top_p=1.0)
print(llm("给我讲一个笑话"))
运行结果：
当然可以，这是一个关于两只熊的笑话：
有一天，一只熊从动物园里跑了出来，吓坏了的人们纷纷逃窜。但是，动物园的管理员很镇定，他决定去和熊谈判。他对熊说：“熊啊，我知道你是饿了，但是你也不能吃人啊。我们去动物园里吃竹子好不好？”熊想了想，觉得有道理，于是就答应了。
管理员带熊去了动物园的竹林，让熊吃了一顿丰盛的竹子大餐。熊很开心，于是问管理员：“你为什么知道我那么喜欢吃竹子呢？”管理员回答：“因为我是管理员啊。”
熊一脸懵逼地看着管理员，然后突然明白了什么，说：“原来你是个‘装熊’的家伙啊！”
好的，这里有一个笑话：
有天捡到一个神灯，灯神宣布可以许一个愿望。
我当即许愿：请赐予我一个美女相伴。
只见灯神拿出一个通关文牒，哗啦啦地翻了很多页，然后递给我说：抱歉，您的愿望尚未出现。
添加缓存
从之前的文章中我们讲过如何使用缓存以及多种缓存方式，在这里我们使用本地内存缓存，配置缓存后，如果同一个问题被第二次提问，模型可以快速给出答案。
from langchain.cache import InMemoryCache
# 启动llm的缓存
langchain.llm_cache = InMemoryCache()
由于在自定义LLM时，缓存参数 cache默认为 False，这里我们需要设置为 True。同时我们通过两次执行来看看效果：
llm = ErnieLLm(temperature=0.95, top_p=1.0, cache=True)
s = time.perf_counter()
# 第一次调用
print(llm("给我讲一个笑话"))
elapsed = time.perf_counter() - s
print("\033[1m" + f"第一次调用耗时 {elapsed:0.2f} 秒." + "\033[0m")
s = time.perf_counter()
# 第一次调用
print(llm("给我讲一个笑话"))
elapsed = time.perf_counter() - s
print("\033[1m" + f"第二次调用耗时 {elapsed:0.2f} 秒." + "\033[0m")
运行结果：
当然可以，这是一个关于两只鸟的笑话：
有两只小鸟，一只小鸟问：“哥哥，人们都说你长得好帅，你觉得自己帅吗？”哥哥小鸟羞涩地回答：“不，我不觉得自己帅，我只是很可爱。”而第二只小鸟打断了他：“哥呀，人家说的是你旁边的蝴蝶卷毛哈。”
第一次调用耗时 2.37 秒.
当然可以，这是一个关于两只鸟的笑话：
有两只小鸟，一只小鸟问：“哥哥，人们都说你长得好帅，你觉得自己帅吗？”哥哥小鸟羞涩地回答：“不，我不觉得自己帅，我只是很可爱。”而第二只小鸟打断了他：“哥呀，人家说的是你旁边的蝴蝶卷毛哈。”
第二次调用耗时 0.00 秒.
可以看到第二次请求所用时间近乎为0（可能是纳秒级别）。
小结
本文主要介绍了在LangChain平台上自定义LLM的步骤和参数，并以文心一言的ERNIE-Bot-turbo模型为例进行了详细说明。文章首先介绍了自定义LLM需要实现的必要函数，包括_call函数和_identifying_params函数。然后，通过导入dotenv模块和配置环境变量，示例代码演示了如何加载配置文件并调用自定义LLM。接下来，文章介绍了LLM的一些关键参数，如temperature、top_p和penalty_score，并展示了如何根据需要调整这些参数来优化模型的回答结果。最后，文章提到了使用缓存的方法，通过启动LLM的缓存来加速模型的响应速度，并通过两次调用的结果展示了缓存的效果。
理解新范式，拥抱新时代，把握新机会。 《LangChain 入门到实战教程》更多内容
评论区