网站优化怎么做效果才好电商运营自学全套教程

探讨如何使用LangChain库创建一个上下文感知的问答系统。这个系统能够根据用户的聊天历史，将当前问题转化为一个独立的问题，接着根据上下文提供准确的答案。

1. 导入所需模块

from operator import itemgetter
from config import llm  # 从config文件导入语言模型（llm）
from langchain_core.output_parsers import StrOutputParser  # 导入字符串输出解析器
from langchain_core.prompts import ChatPromptTemplate  # 导入聊天提示模板
from langchain_core.runnables import Runnable, RunnablePassthrough, chain  # 导入可执行单元、直通单元和链式处理功能

首先，我们导入了需要的模块。llm 是一个语言模型，StrOutputParser 是一个字符串输出解析器，ChatPromptTemplate 用于创建提示模板，Runnable、RunnablePassthrough 和 chain 则用于创建和处理可执行的链式处理流程。

2. 指令：上下文化用户问题

contextualize_instructions = """
根据聊天记录，将最新的用户问题转换为独立问题。不要回答问题，返回问题，不要做其他任何事情（没有描述性文本）
"""

这里我们定义了一段指令，告知系统根据聊天记录将用户的最新问题转化为一个独立的问题，并只返回问题本身，而不包含其他信息。

3. 创建聊天提示模板

contextualize_prompt = ChatPromptTemplate.from_messages([("system", contextualize_instructions),  # 系统指令("placeholder", "{chat_history}"),  # 占位符，用于填充聊天历史("human", "{question}"),  # 用户提出的问题]
)

我们使用 ChatPromptTemplate.from_messages 创建了一个聊天提示模板，该模板结合了上下文指令、聊天历史和用户问题，用于生成系统提示。

4. 链式处理：将上下文指令与语言模型连接

contextualize_question = contextualize_prompt | llm | StrOutputParser()

在这一步，我们将聊天提示模板、语言模型以及字符串输出解析器连接起来，形成一个完整的处理链。contextualize_question 将作为处理链的一部分，用于上下文化用户问题。

5. 创建问答系统的提示模板

qa_instructions = ("""Answer the user question given the following context:\n\n{context}."""
)

这里我们定义了问答系统的指令，系统将根据提供的上下文来回答用户的问题。

qa_prompt = ChatPromptTemplate.from_messages([("system", qa_instructions), ("human", "{question}")]
)

随后，我们创建了另一个聊天提示模板 qa_prompt，它结合上下文指令和用户问题，用于生成问答提示。

6. 定义链式处理函数

@chain
def contextualize_if_needed(input_: dict) -> Runnable:if input_.get("chat_history"):return contextualize_questionelse:return RunnablePassthrough() | itemgetter("question")

我们定义了一个链式处理函数 contextualize_if_needed，用于根据聊天历史上下文化用户问题。如果有聊天历史存在，系统将返回上下文化问题的可执行单元；否则，直接返回用户问题。

7. 模拟数据检索器

@chain
def fake_retriever(input_: dict) -> str:return "Tadej Pogačar won the Tour de France in 2024."

在这个步骤中，我们定义了一个假的检索器 fake_retriever，用于模拟从数据库或API中检索数据。在本例中，它直接返回一条硬编码的信息。

8. 定义完整的处理流程

full_chain = (RunnablePassthrough.assign(question=contextualize_if_needed).assign(context=fake_retriever)| qa_prompt| llm| StrOutputParser()
)

full_chain 是整个系统的核心。它将用户问题和聊天历史传递给 contextualize_if_needed 进行上下文处理，然后通过 fake_retriever 获取相关的上下文信息，接着生成问答提示，并使用语言模型生成答案，最后解析并输出结果。

9. 调用处理流程

res = full_chain.invoke({"question": "what about Tour de France in 2024","chat_history": [("human", "Who won the Tour de France in 2023?"),("ai", "Jonas Vingegaard."),],}
)

在这里，我们调用了 full_chain，传入用户当前的问题和聊天历史。这个链式处理流程会根据历史记录将问题转化为一个独立问题，并返回答案。

10. 输出结果

print(res)

最后，我们将处理结果输出到控制台。

Tadej Pogačar.Process finished with exit code 0