`langchain_experimental.chat_models.llm_wrapper`.Vicuna¶

注意

Vicuna 实现了标准 Runnable 接口。🏃

Runnable 接口 有额外的可用方法，例如 with_types、with_retry、assign、bind、get_graph 以及更多。

class langchain_experimental.chat_models.llm_wrapper.Vicuna[source]¶

基类: ChatWrapper

为 Vicuna 风格的模型提供包装。

param ai_n_beg: str = 'ASSISTANT: '¶

param ai_n_end: str = ' </s>'¶

param cache: Union[BaseCache, bool, None] = None¶

是否缓存响应。

如果为真，将使用全局缓存。
如果为假，则不使用缓存
如果为 None，则如果已设置全局缓存则使用全局缓存，否则不使用缓存。
如果为 BaseCache 的实例，则使用提供的缓存。

目前不支持对模型的流式方法进行缓存。

param callback_manager: Optional[BaseCallbackManager] = None¶: [不再维护] 添加到运行跟踪的回调节理器。

param callbacks :Callbacks = None¶: 添加到运行跟踪的回调。

param custom_get_token_ids :Optional[Callable[[str], List[int]]] = None¶: 用于计算令牌的可选编码器。

param llm :LLM [必需]¶

param metadata :Optional[Dict[str, Any]] = None¶: 添加到运行跟踪的元数据。

param rate_limiter :Optional[BaseRateLimiter] = None¶: 用于限制请求数量的可选速率限制器。

参数 sys_beg: str = ''¶

参数 sys_end: str = ' '¶

参数 system_message : SystemMessage = SystemMessage(content="你是一个有用、尊重、真诚的助手。在尽可能安全的情况下回答，并提供帮助。你的回答不应包含任何有害、不道德、种族歧视、性别歧视、有毒、危险或非法的内容。请确保你的回答在性质上是社会无偏见和积极的。\n\n如果问题没有意义，或者不是事实上的连贯的，解释原因而不是回答不正确的内容。如果你不知道问题的答案，请不要提供错误信息。")¶

参数 tags: Optional[List[str]] = None¶: 添加到运行跟踪的标签。

参数 usr_0_beg: Optional[str] = None¶

参数 usr_0_end: 可选[str] = None¶

参数 usr_n_beg: str = 'USER: '¶

参数 usr_n_end: str = ' '¶

参数 verbose: bool [可选]¶: 是否打印输出文本。

__call__(messages: List[BaseMessage], stop: Optional[List[str]] = None, callbacks: Optional[Union[List[BaseCallbackHandler], BaseCallbackManager]], **kwargs: Any) → BaseMessage¶

自langchain-core==0.1.7版本弃用: 请使用invoke代替。

参数

messages (列表[BaseMessage]) –
stop (可选[列表[str]]) –
callbacks (可选[Union[列表[BaseCallbackHandler], BaseCallbackManager]]) –
kwargs (任何类型) –

返回类型

BaseMessage

async abatch(inputs: List[Input], config: Optional[Union[RunnableConfig, List[RunnableConfig]]] = None, *, return_exceptions: bool = False, **kwargs: Optional[Any]) → List[Output]¶

默认实现并行运行 run_invoke 使用 asyncio.gather。

批处理默认实现适用于 IO 密集型的可运行对象。

子类应该覆盖此方法，如果它们能够更有效地批处理，例如，如果底层 Runnable 使用支持批处理模式的 API。

参数

inputs (列表[Input]) – Runnable 的输入列表。
config (可选[Union[RunnableConfig, 列表[RunnableConfig]]]) – 调用 Runnable 时使用的配置。该配置支持标准的键，如’tags’、’metadata’用于跟踪目的，’max_concurrency’用于控制并行执行的工作量，以及其他键。请参阅 RunnableConfig 以获取更多详细信息。默认为 None。
return_exceptions (bool) – 是否返回异常而不是抛出它们。默认为 False。
kwargs (可选[任何类型]) – 传递给 Runnable 的额外关键字参数。

返回

Runnable的输出列表。

返回类型

列表[输出]

async abatch_as_completed(inputs: Sequence[Input], config: Optional[Union[RunnableConfig, Sequence[RunnableConfig]]] = None, **kwargs: Optional[Any]) → AsyncIterator[Tuple[int, Union[Output, Exception]]]¶

并行执行列表输入上的runnable，按完成顺序返回结果。

参数

inputs (Sequence[Input]) – 可运行的输入列表。
config (Optional[Union[RunnableConfig, Sequence[RunnableConfig]]]) – 启用可运行时使用的配置。该配置支持例如用于跟踪的'tags'、'metadata'等标准键，'max_concurrency'用于控制并行执行的工作量量，以及其他键。请参见RunnableConfig以获取更多详细信息。默认值为None。
return_exceptions (bool) – 是否返回异常而不是抛出它们。默认为 False。
kwargs (可选[任何类型]) – 传递给 Runnable 的额外关键字参数。

产出

输入索引和可运行的输出组成的元组。

返回类型

AsyncIterator[Tuple[int, Union[Output, Exception]]]

async agenerate(messages: List[List[BaseMessage]], stop: Optional[List[str]] = None, callbacks: Optional[Union[List[BaseCallbackHandler], BaseCallbackManager]] = None, *, tags: Optional[List[str]] = None, metadata: Optional[Dict[str, Any]] = None, run_name: Optional[str] = None, run_id: Optional[UUID] = None, **kwargs: Any) → LLMResult¶

异步传递一系列提示到一个模型并返回生成结果。

该方法应利用支持批量调用的模型中的批量调用。

当您想要

利用批量调用时，请使用此方法。
模型需要比只生成的顶级值更多的输出,
正构建对这些底层语言模型类型（例如，纯文本完成模型和聊天模型）盲目无差别的链。
类型。

参数

消息（列表[列表[BaseMessage]]）- 消息列表的列表。
停止使用（可选[列表[字符串]]）- 生成时使用的停止词。模型输出在遇到以上任意子串的第一个位置时截断。
回调（可选[联合[列表[BaseCallbackHandler]，BaseCallbackManager]]）- 要传递的回调。用于在生成过程中执行额外的功能，例如记录或流式传输。
**kwargs（任意）（Any）- 额外的额外关键字参数。这些通常传递给模型提供商的API调用。
标签（可选[列表[字符串]]）-
元数据（可选[字典[字符串，Any]]）-
run_name（可选[字符串]）-
run_id（可选[UUID]）-
**kwargs –

返回

包含每个输入提示的候选生成列表以及附加模型提供商特定输出的LLMResult。: 结果。

返回类型

LLMResult

异步 agenerate_prompt(prompts: List[PromptValue], stop: Optional[List[str]] = None, callbacks: Optional[联合[List[BaseCallbackHandler], BaseCallbackManager]] = None, **kwargs: Any) → LLMResult¶

异步传递一组提示并返回模型生成。

该方法应利用支持批量调用的模型中的批量调用。

当您想要

利用批量调用时，请使用此方法。
模型需要比只生成的顶级值更多的输出,
正构建对这些底层语言模型类型（例如，纯文本完成模型和聊天模型）盲目无差别的链。
类型。

参数

提示 (列表[PromptValue]) – PromptValue 的列表。PromptValue 是一个对象，可以被转换为与任何语言模型匹配的格式（纯文本生成模型的字符串和基消息（BaseMessages）聊天模型）。
停止使用（可选[列表[字符串]]）- 生成时使用的停止词。模型输出在遇到以上任意子串的第一个位置时截断。
回调（可选[联合[列表[BaseCallbackHandler]，BaseCallbackManager]]）- 要传递的回调。用于在生成过程中执行额外的功能，例如记录或流式传输。
**kwargs（任意）（Any）- 额外的额外关键字参数。这些通常传递给模型提供商的API调用。

返回

包含每个输入提示的候选生成列表以及附加模型提供商特定输出的LLMResult。: 结果。

返回类型

LLMResult

async ainvoke(input: LanguageModelInput, config: Optional[RunnableConfig] = None, *, stop: Optional[List[str]] = None, **kwargs: Any) → BaseMessage¶

ainvoke 的默认实现，从线程中调用 invoke。

默认实现允许即使可运行的 Runnable 没有实现 invoke 的本地异步版本也能使用异步代码。

子类应在能够异步运行时重写此方法。

参数

input (LanguageModelInput) –
config (Optional[RunnableConfig]) –
stop (可选[列表[str]]) –
kwargs (任何类型) –

返回类型

BaseMessage

async apredict(text: str, *, stop: Optional[Sequence[str]] = None, **kwargs: Any) → str¶

自 langchain-core==0.1.7 版本以来已弃用：请使用 ainvoke 代替。

参数

text (str) –
stop (Optional[Sequence[str]]) –
kwargs (任何类型) –

返回类型

str

async apredict_messages(messages: List[BaseMessage], *, stop: Optional[Sequence[str]] = None, **kwargs: Any) → BaseMessage¶

自 langchain-core==0.1.7 版本以来已弃用：请使用 ainvoke 代替。

参数

messages (列表[BaseMessage]) –
stop (Optional[Sequence[str]]) –
kwargs (任何类型) –

返回类型

BaseMessage

as_tool(args_schema: Optional[Type[BaseModel]] = None, *, name: Optional[str] = None, description: Optional[str] = None, arg_types: Optional[Dict[str, Type]] = None) → BaseTool¶

测试版

该API处于测试版，将来可能会发生变化。

从可运行对象创建BaseTool。

as_tool 会从一个可运行的对象实例化一个带有名称、描述和从可运行对象中获取的 args_schema 的 BaseTool。如果可能，模式是通过 runnable.get_input_schema 推断出来的。如果可运行对象接受字典作为输入且未指定字典键的类型（例如），则可以使用 args_schema 直接指定模式。您还可以传递 arg_types 仅指定必需的参数及其类型。

参数

args_schema (可选 [类型 [ BaseModel ] ]) – 工具的模式。默认为 None。
name (可选 [ str ]) – 工具的名称。默认为 None。
description (可选 [ str ]) – 工具的描述。默认为 None。
arg_types (可选 [ Dict [字符串 , 类型 ] ]) – 参数名称到类型的字典。默认为 None。

返回

一个 BaseTool 实例。

返回类型

BaseTool

类型化字典输入

from typing import List
from typing_extensions import TypedDict
from langchain_core.runnables import RunnableLambda

class Args(TypedDict):
    a: int
    b: List[int]

def f(x: Args) -> str:
    return str(x["a"] * max(x["b"]))

runnable = RunnableLambda(f)
as_tool = runnable.as_tool()
as_tool.invoke({"a": 3, "b": [1, 2]})

dict 输入，通过 args_schema 指定模式

from typing import Any, Dict, List
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_core.runnables import RunnableLambda

def f(x: Dict[str, Any]) -> str:
    return str(x["a"] * max(x["b"]))

class FSchema(BaseModel):
    """Apply a function to an integer and list of integers."""

    a: int = Field(..., description="Integer")
    b: List[int] = Field(..., description="List of ints")

runnable = RunnableLambda(f)
as_tool = runnable.as_tool(FSchema)
as_tool.invoke({"a": 3, "b": [1, 2]})

dict 输入，通过 arg_types 指定模式

from typing import Any, Dict, List
from langchain_core.runnables import RunnableLambda

def f(x: Dict[str, Any]) -> str:
    return str(x["a"] * max(x["b"]))

runnable = RunnableLambda(f)
as_tool = runnable.as_tool(arg_types={"a": int, "b": List[int]})
as_tool.invoke({"a": 3, "b": [1, 2]})

字符串输入

from langchain_core.runnables import RunnableLambda

def f(x: str) -> str:
    return x + "a"

def g(x: str) -> str:
    return x + "z"

runnable = RunnableLambda(f) | g
as_tool = runnable.as_tool()
as_tool.invoke("b")

从版本 0.2.14 开始引入。

async astream(input: LanguageModelInput, config: Optional[RunnableConfig], *, stop: Optional[List[str]], **kwargs: Any) → AsyncIterator[BaseMessageChunk]

默认的 astream 实现，它调用 ainvoke。子类应该覆盖此方法以支持流式输出。

参数

input (LanguageModelInput) – Runnable 的输入。
config (可选 [ RunnableConfig ]) – 用作 Runnable 的配置。默认为 None。
kwargs (Any) – 传递给 Runnable 的其他关键字参数。
stop (可选[列表[str]]) –

产出

Runnable 的输出。

返回类型

异步迭代器[BaseMessageChunk]

astream_events(input: Any, config: Optional[RunnableConfig] = None, *, version: Literal['v1', 'v2'], include_names: Optional[Sequence[str]] = None, include_types: Optional[Sequence[str]] = None, include_tags: Optional[Sequence[str]] = None, exclude_names: Optional[Sequence[str]] = None, exclude_types: Optional[Sequence[str]] = None, exclude_tags: Optional[Sequence[str]] = None, **kwargs: Any) → AsyncIterator[Union[StandardStreamEvent, CustomStreamEvent]]¶

测试版

该API处于测试版，将来可能会发生变化。

生成事件流。

用于创建一个StreamEvents迭代器，它提供了关于Runnable进度的实时信息，包括中间结果的StreamEvents。

StreamEvent是一个具有以下模式的字典

event: str - 事件名格式为
on_[runnable_type]_(start|stream|end).
name: str - 生成事件的Runnable的名称。
run_id: str - 与给定执行中的Runnable相关联的随机生成的ID。
作为父Runnable执行部分调用的子Runnable将分配其唯一的ID。
parent_ids: List[str] - 产生事件的父Runnable的ID。
根Runnable将有一个空列表。父ID的顺序是从根到直接父级。仅适用于API的v2版本。API的v1版本将返回空列表。
tags: Optional[List[str]] - 生成事件的Runnable的标签。
标签。
metadata: Optional[Dict[str, Any]] - 生成事件的Runnable的元数据。
元数据。
data: Dict[str, Any]

以下表格展示了可能由各种链发出的一些事件。为了简洁，省略了元数据字段。在表格之后包含链定义。

注意此参考表是针对模式的V2版本。

事件	名称	块	输入	输出
on_chat_model_start	[模型名称]		{“messages”: [[SystemMessage, HumanMessage]]}
on_chat_model_stream	[模型名称]	AIMessageChunk(content="hello")
on_chat_model_end	[模型名称]		{“messages”: [[SystemMessage, HumanMessage]]}	AIMessageChunk(content="hello world")
on_llm_start	[模型名称]		{‘input’: ‘hello’}
on_llm_stream	[模型名称]	‘Hello’
on_llm_end	[模型名称]		‘Hello human!’
on_chain_start	format_docs
on_chain_stream	format_docs	“hello world!, goodbye world!”
on_chain_end	format_docs		[Document(…)]	“hello world!, goodbye world!”
on_tool_start	some_tool		{“x”: 1, “y”: “2”}
on_tool_end	some_tool			{“x”: 1, “y”: “2”}
on_retriever_start	[检索器名称]		{“query”: “hello”}
on_retriever_end	[检索器名称]		{“query”: “hello”}	[Document(…), ..]
on_prompt_start	[模板名称]		{“question”: “hello”}
on_prompt_end	[模板名称]		{“question”: “hello”}	ChatPromptValue(messages: [SystemMessage, …])

除了标准事件之外，用户还可以分发自定义事件（见下面的示例）。

自定义事件仅在API的V2版本中公开！

自定义事件的格式如下

属性	类型	描述
名称	str	事件的用户定义名称。
数据	Any	与事件相关联的数据。这可以是一切，尽管我们建议使其可序列化为JSON。

以下是与上述标准事件相关的声明

format_docs:

def format_docs(docs: List[Document]) -> str:
    '''Format the docs.'''
    return ", ".join([doc.page_content for doc in docs])

format_docs = RunnableLambda(format_docs)

some_tool:

@tool
def some_tool(x: int, y: str) -> dict:
    '''Some_tool.'''
    return {"x": x, "y": y}

提示:

template = ChatPromptTemplate.from_messages(
    [("system", "You are Cat Agent 007"), ("human", "{question}")]
).with_config({"run_name": "my_template", "tags": ["my_template"]})

示例

from langchain_core.runnables import RunnableLambda

async def reverse(s: str) -> str:
    return s[::-1]

chain = RunnableLambda(func=reverse)

events = [
    event async for event in chain.astream_events("hello", version="v2")
]

# will produce the following events (run_id, and parent_ids
# has been omitted for brevity):
[
    {
        "data": {"input": "hello"},
        "event": "on_chain_start",
        "metadata": {},
        "name": "reverse",
        "tags": [],
    },
    {
        "data": {"chunk": "olleh"},
        "event": "on_chain_stream",
        "metadata": {},
        "name": "reverse",
        "tags": [],
    },
    {
        "data": {"output": "olleh"},
        "event": "on_chain_end",
        "metadata": {},
        "name": "reverse",
        "tags": [],
    },
]

示例：分发自定义事件

from langchain_core.callbacks.manager import (
    adispatch_custom_event,
)
from langchain_core.runnables import RunnableLambda, RunnableConfig
import asyncio


async def slow_thing(some_input: str, config: RunnableConfig) -> str:
    """Do something that takes a long time."""
    await asyncio.sleep(1) # Placeholder for some slow operation
    await adispatch_custom_event(
        "progress_event",
        {"message": "Finished step 1 of 3"},
        config=config # Must be included for python < 3.10
    )
    await asyncio.sleep(1) # Placeholder for some slow operation
    await adispatch_custom_event(
        "progress_event",
        {"message": "Finished step 2 of 3"},
        config=config # Must be included for python < 3.10
    )
    await asyncio.sleep(1) # Placeholder for some slow operation
    return "Done"

slow_thing = RunnableLambda(slow_thing)

async for event in slow_thing.astream_events("some_input", version="v2"):
    print(event)

参数

input (Any) – Runnable的输入。
config (Optional[RunnableConfig]) – 要为Runnable使用配置。
版本 (文字]['v1', 'v2'rove]) - 要使用的模式版本，可以是 v2 或 v1。用户应使用 v2。 v1 用于向后兼容，将在 0.4.0 版中弃用。直到 API 稳定前将不会分配默认版本。自定义事件仅在 v2 中可见。
include_names (可选[序列[str]]) - 仅包含具有匹配名称的可运行事件。
include_types (可选[序列[str]]) - 仅包含具有匹配类型的事件。
include_tags (可选[序列[str]]) - 仅包含具有匹配标签的事件。
exclude_names (可选[序列[str]]) - 排除具有匹配名称的事件。
exclude_types (可选[序列[str]]) - 排除具有匹配类型的事件。
exclude_tags (可选[序列[str]]) - 排除具有匹配标签的事件。
kwargs (任何) - 传递给 Runnable 的额外关键字参数。这些将被传递到 astream_log，因为 astream_events 的实现基于 astream_log。

产出

StreamEvents 的异步流。

引发

NotImplementedError - 如果版本不是 v1 或 v2。

返回类型

AsyncIterator[Union[StandardStreamEvent, CustomStreamEvent]]

batch(inputs: List[Input], config: Optional[Union[RunnableConfig, List[RunnableConfig]]] = None, *, return_exceptions: bool = False, **kwargs: Optional[Any]) → List[Output]¶

默认实现使用线程池执行器并行调用 invoke。

批处理默认实现适用于 IO 密集型的可运行对象。

子类应该覆盖此方法，如果它们能够更有效地批处理，例如，如果底层 Runnable 使用支持批处理模式的 API。

参数

inputs (列表[Input]) -
config (可选[联合[RunnableConfig，列表[RunnableConfig]]]） -
return_exceptions (布尔值) -
kwargs (可选[任何]) -

返回类型

列表[输出]

batch_as_completed(inputs: 序列[输入], config: Optional[Union[RunnableConfig, 序列[RunnableConfig]]], *, return_exceptions: 布尔值 = False, **kwargs: Optional[任何]) → 迭代器[元组[int，Union[输出，异常]]]¶

并行在输入列表上运行调用，等待结果完成时产生。

参数

inputs (序列[输入]) -
config (可选[联合[RunnableConfig，序列[RunnableConfig]]]) -
return_exceptions (布尔值) -
kwargs (可选[任何]) -

返回类型

元组[元组[int，Union[Output，Exception]]]

bind_tools(tools: Sequence[Union[Dict[str, Any], Type, Callable, BaseTool]], **kwargs: Any) → Runnable[LanguageModelInput, BaseMessage]¶

参数

tools (序列[联合[字典[字符串, 任何]

kwargs (任何类型) –

返回类型

可运行对象[LanguageModelInput, BaseMessage]

call_as_llm(message: str, stop: Optional[List[str]] = None, **kwargs: Any) → str¶

自langchain-core==0.1.7版本弃用: 请使用invoke代替。

参数

message (str) -

stop (可选[列表[str]]) –

kwargs (任何类型) –

返回类型

str

configurable_alternatives(which: ConfigurableField, *=, default_key: str = 'default', prefix_keys: bool = False, *kwargs: Union[Runnable[Input, Output], Callable[[], Runnable[Input, Output]]) → RunnableSerializable[Input, Output]¶

配置运行时可以设置的运行程序的可选方案。

参数

which (ConfigurableField) – 用于选择可选方案的 ConfigurableField 实例。

default_key (字符串) – 未选择任何可选方案时使用的基本键。默认为“默认”。

prefix_keys (布尔值) – 是否在键前加上 ConfigurableField id。默认为 False。

**kwargs (Union[Runnable[Input, Output], Callable[[], Runnable[Input, Output]]]) – 键到Runnable实例或返回Runnable实例的可调用对象字典。

返回

配置好可选方案的新Runnable。

返回类型

RunnableSerializable[Input, Output]

from langchain_anthropic import ChatAnthropic from langchain_core.runnables.utils import ConfigurableField from langchain_openai import ChatOpenAI model = ChatAnthropic( model_name="claude-3-sonnet-20240229" ).configurable_alternatives( ConfigurableField(id="llm"), default_key="anthropic", openai=ChatOpenAI() ) # uses the default model ChatAnthropic print(model.invoke("which organization created you?").content) # uses ChatOpenAI print( model.with_config( configurable={"llm": "openai"} ).invoke("which organization created you?").content )

configurable_fields(**kwargs: Union[ConfigurableField, ConfigurableFieldSingleOption, ConfigurableFieldMultiOption]) → RunnableSerializable[Input, Output]¶

在运行时配置特定的可运行字段。

参数

**kwargs (Union[ConfigurableField, ConfigurableFieldSingleOption, ConfigurableFieldMultiOption]) – 要配置的 ConfigurableField 实例的字典。

返回

配置字段后的新可运行对象。

返回类型

RunnableSerializable[Input, Output]

from langchain_core.runnables import ConfigurableField from langchain_openai import ChatOpenAI model = ChatOpenAI(max_tokens=20).configurable_fields( max_tokens=ConfigurableField( id="output_token_number", name="Max tokens in the output", description="The maximum number of tokens in the output", ) ) # max_tokens = 20 print( "max_tokens_20: ", model.invoke("tell me something about chess").content ) # max_tokens = 200 print("max_tokens_200: ", model.with_config( configurable={"output_token_number": 200} ).invoke("tell me something about chess").content )

generate(messages: List[List[BaseMessage]], stop: Optional[List[str]] = None, callbacks: Optional[Union[List[BaseCallbackHandler], BaseCallbackManager]] = None, *, tags: Optional[List[str]] = None, metadata: Optional[Dict[str, Any]] = None, run_name: Optional[str] = None, run_id: Optional[UUID] = None, *kwargs: Any) → LLMResult¶

将一系列提示传递给模型并返回模型生成的内容。

该方法应利用支持批量调用的模型中的批量调用。

当您想要

利用批量调用时，请使用此方法。

模型需要比只生成的顶级值更多的输出,

正构建对这些底层语言模型类型（例如，纯文本完成模型和聊天模型）盲目无差别的链。
类型。

参数

消息（列表[列表[BaseMessage]]）- 消息列表的列表。

停止使用（可选[列表[字符串]]）- 生成时使用的停止词。模型输出在遇到以上任意子串的第一个位置时截断。

回调（可选[联合[列表[BaseCallbackHandler]，BaseCallbackManager]]）- 要传递的回调。用于在生成过程中执行额外的功能，例如记录或流式传输。

**kwargs（任意）（Any）- 额外的额外关键字参数。这些通常传递给模型提供商的API调用。

标签（可选[列表[字符串]]）-

元数据（可选[字典[字符串，Any]]）-

run_name（可选[字符串]）-

run_id（可选[UUID]）-

**kwargs –

返回

包含每个输入提示的候选生成列表以及附加模型提供商特定输出的LLMResult。
结果。

返回类型

LLMResult

generate_prompt(prompts: List[PromptValue], stop: Optional[List[str]] = None, callbacks: Optional[Union[List[BaseCallbackHandler], BaseCallbackManager]] = None, **kwargs: Any) → LLMResult

将一系列提示传递给模型并返回模型生成的内容。

该方法应利用支持批量调用的模型中的批量调用。

当您想要

利用批量调用时，请使用此方法。

模型需要比只生成的顶级值更多的输出,

正构建对这些底层语言模型类型（例如，纯文本完成模型和聊天模型）盲目无差别的链。
类型。

参数

提示 (列表[PromptValue]) – PromptValue 的列表。PromptValue 是一个对象，可以被转换为与任何语言模型匹配的格式（纯文本生成模型的字符串和基消息（BaseMessages）聊天模型）。

停止使用（可选[列表[字符串]]）- 生成时使用的停止词。模型输出在遇到以上任意子串的第一个位置时截断。

回调（可选[联合[列表[BaseCallbackHandler]，BaseCallbackManager]]）- 要传递的回调。用于在生成过程中执行额外的功能，例如记录或流式传输。

**kwargs（任意）（Any）- 额外的额外关键字参数。这些通常传递给模型提供商的API调用。

返回

包含每个输入提示的候选生成列表以及附加模型提供商特定输出的LLMResult。
结果。

返回类型

LLMResult

get_num_tokens(text: str) → int

获取文本中存在的令牌数量。

用于检查输入是否适合模型的上下文窗口。

参数

text (str) – 要进行分词的字符串输入。

返回

文本中令牌的整数数量。

返回类型

int

get_num_tokens_from_messages(messages: List[BaseMessage]) → int

获取消息中的令牌数量。

用于检查输入是否适合模型的上下文窗口。

参数

messages (List[BaseMessage]) – 要进行分词的消息输入。

返回

消息中令牌数量的总和。

返回类型

int

get_token_ids(text: str) → List[int]

返回文本中标记的有序ID。

参数

text (str) – 要进行分词的字符串输入。

返回

与文本中标记对应的一组ID列表，按照它们在文本中出现的顺序。

返回类型

列表[整型]

调用来调用(input: LanguageModelInput, config: Optional[RunnableConfig] = None, **kwargs: Any) → BaseMessage¶

将单个输入转换为输出。重写以实现。

参数

input (LanguageModelInput) – Runnable 的输入。
config (Optional[RunnableConfig]) – 用于调用Runnable时使用的配置。该配置支持标准键如‘tags’，‘metadata’（用于跟踪目的），‘max_concurrency’（用于控制并行执行的工作量）以及其他键。请参阅RunnableConfig获取更多详细信息。
stop (可选[列表[str]]) –
kwargs (任何类型) –

返回

Runnable 的输出。

返回类型

BaseMessage

预测(text: str, **kwargs: Any) → str¶

自langchain-core==0.1.7版本弃用: 请使用invoke代替。

参数

text (str) –
stop (Optional[Sequence[str]]) –
kwargs (任何类型) –

返回类型

str

predict_messages(messages: List[BaseMessage], *, stop: Optional[Sequence[str]] = None, **kwargs: Any) → BaseMessage¶

自langchain-core==0.1.7版本弃用: 请使用invoke代替。

参数

messages (列表[BaseMessage]) –
stop (Optional[Sequence[str]]) –
kwargs (任何类型) –

返回类型

BaseMessage

stream(input: LanguageModelInput, config: Optional[RunnableConfig] = None, *, stop: Optional[List[str]] = None, **kwargs: Any) → Iterator[BaseMessageChunk]¶

stream的默认实现，调用invoke。子类应覆盖此方法以支持流式输出。

参数

input (LanguageModelInput) – Runnable 的输入。
config (可选 [ RunnableConfig ]) – 用作 Runnable 的配置。默认为 None。
kwargs (Any) – 传递给 Runnable 的其他关键字参数。
stop (可选[列表[str]]) –

产出

Runnable 的输出。

返回类型

Iterator[BaseMessageChunk]

to_json() → Union[SerializedConstructor,
返回: Runnable的JSON序列化表示。
返回类型: Union[SerializedConstructor, SerializedNotImplemented]

with_structured_output(schema: Union[Dict, Type], *, include_raw: bool = False, **kwargs: Any) → Runnable[LanguageModelInput, Union[Dict, BaseModel]]¶

返回符合给定模式的输出的模型包装器。

参数

schema (Union[Dict, Type]) –
输出模式。可以传入
- 一个OpenAI函数/工具模式，
- 一个JSON Schema，
- 一个TypedDict类（支持从0.2.26开始），
- 或一个Pydantic类。
如果 schema 是一个Pydantic类，则模型输出将是该类的一个Pydantic实例，模型生成的字段将由Pydantic类进行验证。否则，模型输出将是一个字典，不会进行验证。有关如何在指定Pydantic或TypedDict类时正确指定模式字段的类型和描述的更多信息，请参阅 langchain_core.utils.function_calling.convert_to_openai_tool()。

自版本0.2.26以来已更改：添加对TypedDict类的支持。
(布尔值) – 如果设置为False，则只返回解析后的结构化输出。如果在模型输出解析期间发生错误，则将引发错误。如果设置为True，则返回原始模型响应（一个BaseMessage）和解析后的模型响应。如果在解析输出时发生错误，它将被捕获并作为错误返回。最终输出始终是一个字典，键为“raw”、“parsed”和“parsing_error”。
kwargs (任何类型) –

返回

一个可执行的类，它接受与langchain_core.language_models.chat.BaseChatModel相同的输入。

如果include_raw为False且schema是Pydantic类，Runnable将输出schema的实例（即Pydantic对象）。

否则，如果include_raw为False，Runnable则输出一个字典。

如果include_raw为True，Runnable输出一个字典，键包括：

"raw"：BaseMessage
"parsed"：如果有解析错误，则为None，否则类型取决于上述描述的schema。
"parsing_error"：（可选）BaseException

返回类型

Runnable[LanguageModelInput, Union[Dict, langchain_experimental.video_captioning.models.BaseModel]]

示例：Pydantic schema（include_raw=False）

from langchain_core.pydantic_v1 import BaseModel

class AnswerWithJustification(BaseModel):
    '''An answer to the user question along with justification for the answer.'''
    answer: str
    justification: str

llm = ChatModel(model="model-name", temperature=0)
structured_llm = llm.with_structured_output(AnswerWithJustification)

structured_llm.invoke("What weighs more a pound of bricks or a pound of feathers")

# -> AnswerWithJustification(
#     answer='They weigh the same',
#     justification='Both a pound of bricks and a pound of feathers weigh one pound. The weight is the same, but the volume or density of the objects may differ.'
# )

示例：Pydantic schema（include_raw=True）

from langchain_core.pydantic_v1 import BaseModel

class AnswerWithJustification(BaseModel):
    '''An answer to the user question along with justification for the answer.'''
    answer: str
    justification: str

llm = ChatModel(model="model-name", temperature=0)
structured_llm = llm.with_structured_output(AnswerWithJustification, include_raw=True)

structured_llm.invoke("What weighs more a pound of bricks or a pound of feathers")
# -> {
#     'raw': AIMessage(content='', additional_kwargs={'tool_calls': [{'id': 'call_Ao02pnFYXD6GN1yzc0uXPsvF', 'function': {'arguments': '{"answer":"They weigh the same.","justification":"Both a pound of bricks and a pound of feathers weigh one pound. The weight is the same, but the volume or density of the objects may differ."}', 'name': 'AnswerWithJustification'}, 'type': 'function'}]}),
#     'parsed': AnswerWithJustification(answer='They weigh the same.', justification='Both a pound of bricks and a pound of feathers weigh one pound. The weight is the same, but the volume or density of the objects may differ.'),
#     'parsing_error': None
# }

示例：Dict schema（include_raw=False）

from langchain_core.pydantic_v1 import BaseModel
from langchain_core.utils.function_calling import convert_to_openai_tool

class AnswerWithJustification(BaseModel):
    '''An answer to the user question along with justification for the answer.'''
    answer: str
    justification: str

dict_schema = convert_to_openai_tool(AnswerWithJustification)
llm = ChatModel(model="model-name", temperature=0)
structured_llm = llm.with_structured_output(dict_schema)

structured_llm.invoke("What weighs more a pound of bricks or a pound of feathers")
# -> {
#     'answer': 'They weigh the same',
#     'justification': 'Both a pound of bricks and a pound of feathers weigh one pound. The weight is the same, but the volume and density of the two substances differ.'
# }

langchain_experimental.chat_models.llm_wrapper.Vicuna¶

`langchain_experimental.chat_models.llm_wrapper`.Vicuna¶