微信扫码
与创始人交个朋友
我要投稿
背景
LangChain 提供了强大的框架和工具,使得开发者可以轻松地自定义和封装大型语言模型(LLM)。通过使用 LangChain,开发者可以突破对 OpenAI API Key 的依赖,并实现更加个性化和灵活的 LLM 应用。比如,我们有个很新很新的LLM,langchain还未提供对应的集成支持,如何在尽可能不修改原项目代码的情况下,封装自定义的大语言模型(LLM)模块呢?本文的目的就是带你一起探索如何利用langchain库快速封装自定义的LLM。自定义LLM常用于以下场景:
1. 用于封装langchain尚未支持的大型语言模型。对于新模型或者还未集成的模型自己封装实现支持。
2. 模拟测试。假设有个模型调用成本高,但是我们知道这个模型对于特定的输入大概返回什么样的结果,那么我们可以封装个自定义LLM,比如MOCK一个模块来模拟真实的模块,这样就无需每次耗费大量的token去从最开始的入口调用LLM。
3. 定义LLM模块被调用的时候,如何根据输入的文本来输出。这个就是定制自己调用的LLM方法。
实现思路
从实现的角度,我们依然是依照LLM的输入输出框架来定义,如下:
my_custom_llm = MyCustomLLM()print(my_custom_llm("你好啊!"))
需要继承 langchain_core.language_models.llms.LLM
简单示例
from typing import Any,List,Mapping,Optional
from langchain.llms.base importLLM
from langchain.callbacks.manager importCallbackManagerForLLMRun
class MyCustomLLM(LLM):
def _llm_type(self) -> str:
return "傻傻的LLM"
def _call(
self,
prompt: str,
stop: Optional[List[str]] = None,
run_manager: Optional[CallbackManagerForLLMRun] = None,
**kwargs: Any,
) -> str:
if stop is not None:
raise ValueError("stop kwargs are not permitted.")
return "怎么啦?"
llm = MyCustomLLM()
print(llm("你好"))
print(llm("你怎么那么多问题?"))
答复:
怎么啦?怎么啦?
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-09-18
再见了,LangChain!
2024-09-18
LLMFarm功能汇总:揭秘您可能错过的亮点功能!
2024-09-18
基于LangGraph构建LLM Agent
2024-09-18
Multi-Agent实战:构建复杂的数据处理与可视化系统
2024-09-16
LlamaIndex最新报告:构建高级大模型助手-RAG只是起点
2024-09-16
Tulip Agent:一种利用增删改查让LLM使用大量工具解决复杂任务的新框架!
2024-09-14
Multi Agent 多agent协同,不仅好玩还很实用,给你一个完整的demo
2024-09-13
【一文读懂】搭建RAG的万能工具LangChain
2024-04-11
2024-05-19
2024-04-12
2024-07-18
2024-04-08
2024-04-08
2024-03-31
2024-05-15
2024-06-03
2024-04-28
2024-08-27
2024-08-18
2024-08-16
2024-08-04
2024-07-31
2024-07-29
2024-07-28
2024-07-27