自然语言处理从入门到应用——LangChain：模型（Models）-[基础知识]

分类目录：《自然语言处理从入门到应用》总目录

---

《自然语言处理从入门到应用——LangChain：模型（Models）》部分的文章介绍了LangChain中使用的不同类型的模型。在本文中，我们将阐述模型（Models）类型及模型的基础知识。在LangChain中，模型主要分为以下三类：

• 大型语言模型（LLMs）：大型语言模型（LLMs）一种以文本字符串作为输入，并返回文本字符串作为输出的模型。
• 聊天模型（Chat Models）：聊天模型通常由语言模型支持，但它们的API更加结构化。具体来说，这些模型将聊天消息列表作为输入，并返回聊天消息。
• 文本嵌入模型（Text Embedding Models）：文本嵌入模型将文本作为输入，并返回一个浮点数列表。

LangChain的核心价值提案之一是提供了一个标准接口来管理模型。这使得用户可以轻松切换不同的模型。从高层次上来说，模型可以分为两类：

• Language Models：适合文本生成
• Text Embedding Models：适合将文本转换为数字表示

其中，语言模型（Language Models）有两种不同的子类型：

• LLMs：这些包装API接收文本并返回文本
• ChatModels：这些包装模型接收聊天消息并返回聊天消息

这两者之间有一个微妙的区别，但LangChain的主张提供了跨越这些的统一接口，因为虽然底层的 API 实际上是非常不同的，但我们会经常想要交替使用它们。为了看清这一点，让我们来看看OpenAI（OpenAI LLM的一个封装器）与ChatOpenAI（OpenAI ChatModel的一个封装器）的异同：

from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI
llm = OpenAI()
chat_model = ChatOpenAI()

下面我们来看LLMs的输出：

llm.predict("say hi!")

输出：

'\n\nHi there!'

下面我们来看ChatModels的输出：

chat_model.predict("say hi!")

输出：

'Hello there!'

引入HumanMessage：

from langchain.schema import HumanMessage
llm.predict_messages([HumanMessage(content="say hi!")])

下面我们来看LLMs的输出：

llm.predict_messages([HumanMessage(content="say hi!")])

输出：

AIMessage(content='\n\nHello! Nice to meet you!', additional_kwargs={}, example=False)

下面我们来看ChatModels的输出：

chat_model.predict_messages([HumanMessage(content="say hi!")])

输出：

AIMessage(content='Hello! How can I assist you today?', additional_kwargs={}, example=False)

参考文献：
[1] LangChain ️ 中文网，跟着LangChain一起学LLM/GPT开发：https://www.langchain.com.cn/
[2] LangChain中文网 - LangChain 是一个用于开发由语言模型驱动的应用程序的框架：http://www.cnlangchain.com/