生成式AI - Knowledge Graph Prompting：一种基于大模型的多文档问答方法

大型语言模型（LLM）已经彻底改变了自然语言处理（NLP）任务。它们改变了我们与文本数据交互和处理的方式。这些强大的AI模型，如OpenAI的GPT-4，改变了理解、生成人类类似文本的方式，导致各种行业出现了众多突破性应用。

LangChain是一个用于构建基于大型语言模型（如GPT）的应用程序的开源框架。它使应用程序能够将语言模型连接到其他数据源，并允许语言模型与其环境进行交互。

    在这篇博客中，我们将讨论LangChain在基于LLM的应用开发中的应用。通过提示LLM，现在比以前任何时候都可以更快地开发AI应用程序。基于LLM的应用需要多次提示和输出解析，因此我们需要为此编写大量代码。LangChain通过利用NLP应用开发中发现的基本抽象，使得这一开发过程变得更加容易。本博客的内容主要基于短课程LangChain用于LLM应用开发。

LangChain框架概述LangChain是一个用于开发应用程序的开源框架。它将大型语言模型（如GPT-4）与外部数据相结合。LangChain有Python或JavaScript（TypeScript）包可用。LangChain注重组合和模块化。它具有模块化组件，其中单个组件可以相互结合使用，也可以单独使用。LangChain可以应用于多个用例，并可以组合其模块化组件以实现更完整的端到端应用程序。

LangChain的关键组件LangChain强调灵活性和模块化。它将自然语言处理流程划分为独立的模块化组件，使开发人员能够根据需要定制工作流程。LangChain框架可以分为六个模块，每个模块允许与LLM进行不同方面的交互。

模型：

• LLMs — 20+集成

• Chat Models

• Text Embedding Models — 10+集成 提示：

• 提示模板

• 输出解析器 — 5+集成

• 示例选择器 — 10+集成 索引：

• 文档加载器： 50+集成

• 文本拆分器： 10+集成

• 向量空间： 10+集成

• 检索器： 5+集成/实现 链：

• Prompt + LLM + Output parsing

• 可用作更长链的构建块

• 更多特定于应用的链：20+类型

• 检索器： 5+集成/实现 代理：

• 代理是一种端到端用例类型，将模型用作推理引擎

• 代理类型： 5+类型

• 代理工具包： 10+实现

模型模型是任何语言模型应用的核心元素。模型指的是支持LLM的语言模型。LangChain提供了与任何语言模型接口和集成的构建块。LangChain为两种类型的模型提供接口和集成：

LLMs — 以文本字符串作为输入并返回文本字符串的模型Chat Models — 由语言模型支持但以聊天消息列表作为输入并返回聊天消息的模型。

# This is langchain's abstraction for chatGPT API Endpointfrom langchain.chat_models import ChatOpenAI​​​​​​

# To control the randomness and creativity of the generated text by an LLM, # use temperature = 0.0chat = ChatOpenAI(temperature=0.0)

Prompts是编程模型的新方式。提示是指创建输入以传递到模型的风格。提示通常由多个组件构成。提示模板和示例选择器提供了主要类和函数，以便轻松构建和使用提示。

我们将定义一个模板字符串，并使用该模板字符串和ChatPromptTemplate从LangChain创建提示模板。

提示模板

# Define a template string
template_string = """Translate the text that is delimited by triple backticks \
into a style that is {style}. text: ```{text}```
"""

# Create a prompt template using above template stringfrom langchain.prompts import ChatPromptTemplateprompt_template = ChatPromptTemplate.from_template(template_string

上述的prompt_template有两个字段，即style和text。我们也可以从此提示模板中提取原始模板字符串。现在，如果我们想要将文本翻译为某种其他样式，我们需要定义我们的翻译样式和文本。

customer_style = """American English in a calm and respectful tone
"""customer_email = """
Arrr, I be fuming that me blender lid flew off and splattered me kitchen walls \
with smoothie! And to make matters worse, the warranty don't cover the cost of \
cleaning up me kitchen. I need yer help right now, matey!
"""

在这里，我们将风格设置为美国英语，语气平静且尊重。我们使用带有将被三个反引号括起来的文本翻译为特定风格的f-string指令来指定提示，然后将上述样式（客户风格）和文本（客户电子邮件）传递给LLM进行文本翻译。

# customer_message will generate the prompt and it will be passed into 
# the llm to get a response. 
customer_messages = prompt_template.format_messages(style=customer_style,text=customer_email)# Call the LLM to translate to the style of the customer message. 
customer_response = chat(customer_messages)

当我们构建复杂的应用程序时，提示可以变得相当长和详细。我们不使用f字符串，而是使用提示模板，因为提示模板是有用的抽象，可以帮助我们重用好的提示。我们可以创建提示模板并重用这些提示模板，并为模型指定输出样式和文本以供工作。

LangChain提供了一些常见操作的提示，例如摘要或回答问题，或者连接到SQL数据库或连接到不同的API。因此，通过使用LangChain的一些内置提示，我们可以快速获得一个正在运行的应用程序，而无需自行设计提示。

输出解析器LangChain的提示库的另一个方面是它还支持输出解析。输出解析器有助于从语言模型的输出中获取结构化信息。输出解析器涉及将模型的输出解析为更结构化的格式，以便我们可以使用输出执行下游任务。

当我们使用LLMs构建复杂应用程序时，我们经常指示LLM以特定格式生成其输出，例如使用特定的关键字。LangChain的库函数假设LLM将使用某些关键字来解析其输出。

我们可以有一个LLM输出JSON，我们将使用LangChain解析该输出，如下所示：

我们需要首先定义我们希望如何格式化LLM输出。在这种情况下，我们定义了一个具有提及产品是否为礼物、交付所需的天数以及价格是否可负担的字段的Python字典。

# Following is one example of the desired output.
{"gift": False,"delivery_days": 5,"price_value": "pretty affordable!"
}

我们可以在下面提到的三个反引号中包含客户评论。我们可以定义以下评论模板：​​​​​​​​​​​​​​

# This is an example of customer review and a template that try to get the desired output
customer_review = """\
Need to be actual review
"""review_template = """\
For the following text, extract the following information:gift: Was the item purchased as a gift for someone else? \
Answer True if yes, False if not or unknown.delivery_days: How many days did it take for the product \
to arrive? If this information is not found, output -1.price_value: Extract any sentences about the value or price,\
and output them as a comma separated Python list.Format the output as JSON with the following keys:
gift
delivery_days
price_valuetext: {text}
"""# This is an example of customer review and a template that try to get the desired output
customer_review = """\
Need to be actual review
"""review_template = """\
For the following text, extract the following information:gift: Was the item purchased as a gift for someone else? \
Answer True if yes, False if not or unknown.delivery_days: How many days did it take for the product \
to arrive? If this information is not found, output -1.price_value: Extract any sentences about the value or price,\
and output them as a comma separated Python list.Format the output as JSON with the following keys:
gift
delivery_days
price_valuetext: {text}
"""# We will wrap all review template, customer review in langchain to get output 
# in desired format. We will have prompt template created from review template.from langchain.prompts import ChatPromptTemplateprompt_template = ChatPromptTemplate.from_template(review_template)
print(prompt_template)# Create messages using prompt templates created earlier and customer review. 
# Finally, we pass messgaes to OpenAI endpoint to get response.messages = prompt_template.format_messages(text=customer_review)
chat = ChatOpenAI(temperature=0.0)
response = chat(messages)
print(response.content)

上述响应仍然不是字典，而是字符串。我们需要使用Python字典将LLM输出字符串解析为字典。我们需要为Python字典中的每个字段项定义ResponseSchema。为了简洁起见，我没有提供这些代码片段。它们可以在我的GitHub笔记本中找到。这是一种非常有效的方法，可以将LLM输出解析为Python字典，使其更易于在下游处理中使用。

ReAct框架

在上述示例中，LLM使用诸如“思想”、“行动”和“观察”等关键词，使用名为ReAct的框架执行思维推理链。“思想”是LLM所想的，通过给LLM思考的空间，LLM可以得到更准确的结论。“行动”是一个关键词来执行特定的行动，而“观察”是一个关键词来展示LLM从特定行动中所学到的内容。如果我们有一个指示LLM使用这些特定关键词（如思想、行动和观察）的提示，那么这些关键词可以与解析器结合使用，以提取标记有这些关键词的文本。

记忆大型语言模型无法记住之前的对话。

当你与这些模型互动时，它们自然不会记得你之前说的话或之前的所有对话，这在你构建一些应用程序（如聊天机器人）并希望与它们进行对话时是一个问题。

通过模型、提示和解析器，我们可以重用我们自己的提示模板，与他人共享提示模板，或使用LangChain内置的提示模板，这些模板可以与输出解析器结合使用，以便我们获得特定格式的输出，并让解析器解析该输出并将其存储在特定字典或其他数据结构中，从而使下游处理更容易。

我将在下一篇博客中讨论链和代理。我还将在我的另一篇博客中讨论如何在我们的数据中进行问题回答。最后，我们可以看到，通过提示LLM或大型语言模型，现在比以前任何时候都更有可能开发出更快的AI应用程序。但是一个应用程序可能需要多次提示LLM并解析其输出，因此需要编写大量的粘合代码。Langchain有助于简化这个过程。