位置1
08_链上_03_Running_Chain.py
问题1
File "/home/cloudide/.local/lib/python3.12/site-packages/langchain_openai/chat_models/base.py", line 564, in _combine_llm_outputs
overall_token_usage[k] += v
TypeError: unsupported operand type(s) for +=: 'NoneType' and 'NoneType'
分析1
在给定的错误代码中，可以发现错误出现在overall_token_usage 字典中的键值对可能包含了 None 类型的数据。当尝试对 None 类型的数据进行加法操作时，Python 会抛出 TypeError 错误。
可以在编辑器中打开直接跳转到出现问题的代码上，非常的方便
"/home/cloudide/.local/lib/python3.12/site-packages/langchain_openai/chat_models/base.py", line 564
错误代码
if token_usage is not None:
for k, v in token_usage.items():
if k in overall_token_usage:
overall_token_usage[k] += v
else:
overall_token_usage[k] = v
解决办法1
- 检查类型：使用
isinstance(value, (int, float))检查字典中的值是否为整数或浮动点数类型。 - 处理非数字类型：如果值不是数字类型，我们将其设置为 0（或其他你选择的默认值）。
- 进行加法操作：对于数值类型的值，继续执行加法操作。
这样就能确保在执行加法之前，字典中的所有值都是有效的数字类型，从而避免因 None 类型的数据或其他非数字类型导致的错误。
正确代码
if token_usage is not None:
for k, v in token_usage.items():
if k in overall_token_usage:
# 确保 v 是数字类型，如果不是则忽略
if isinstance(v, (int, float)):
overall_token_usage[k] += v
else:
# 如果 k 不存在于 overall_token_usage 中，且 v 是数字类型，则初始化 k 的值为 v
if isinstance(v, (int, float)):
overall_token_usage[k] = v
输出
解决了该问题之后，无论是链上还是链下的程序都可以正常运行了。
位置2
10_链上_04_ConversationSummaryMemory.py
问题2
File "/home/cloudide/.local/lib/python3.12/site-packages/langchain_openai/chat_models/base.py", line 906, in get_num_tokens_from_messages
raise NotImplementedError(
NotImplementedError: get_num_tokens_from_messages() is not presently implemented for model cl100k_base.
分析2
根据报错所给出的提示，不难发现，NotImplementedError 异常表示该方法在特定模型（这里是 cl100k_base）上没有实现。也就是说，OpenAI 在为 cl100k_base 模型提供 API 时，还没有实现用于计算 tokens 的功能。
"/home/cloudide/.local/lib/python3.12/site-packages/langchain_openai/chat_models/base.py", line 906
解决办法2
根据分析可得，我们需要定义一个子类ChildChatOpenAI 类重写 get_num_tokens_from_messages 方法。这个方法通常用于计算给定消息列表的token数量，这对于确定模型能够处理的输入大小很重要。
正确代码
# 设置OpenAI API密钥
import os
# 导入所需的库
from langchain_openai import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.chains.conversation.memory import ConversationSummaryBufferMemory
from typing import List
from langchain_core.messages import BaseMessage
from langchain_openai.chat_models.base import BaseChatOpenAI
class ChildChatOpenAI(ChatOpenAI):
def get_num_tokens_from_messages(self, messages: List[BaseMessage]) -> int:
# 获取模型类型
model, encoding = self._get_encoding_model()
# 根据模型类型选择不同的 token 计算逻辑
if model.startswith("cl100k_base"):
# 调用父类的函数
return super(BaseChatOpenAI, self).get_num_tokens_from_messages(messages)
else:
return super().get_num_tokens_from_messages(messages)
llm = ChildChatOpenAI(
temperature=0.5,
model=os.environ.get("LLM_MODELEND"),
)
# 初始化对话链
conversation = ConversationChain(
llm=llm, memory=ConversationSummaryBufferMemory(llm=llm, max_token_limit=300)
)
# 第一天的对话
# 回合1
result = conversation("我姐姐明天要过生日，我需要一束生日花束。")
print(result)
# 回合2
result = conversation("她喜欢粉色玫瑰，颜色是粉色的。")
# print("\n第二次对话后的记忆:\n", conversation.memory.buffer)
print(result)
# 第二天的对话
# 回合3
result = conversation("我又来了，还记得我昨天为什么要来买花吗？")
print(result)
输出
同样的问题，同样的解决办法，10_05的程序也可以正常运行了。
总结
通过使用AI可以检查出代码中存在的问题，很方便，可以提醒我们想不到的地方，总体而言，使用 AI 技术检查代码错误并修正，可以给我们带来的是一种高效、便捷、并且能持续学习的体验。它减少了错误的出现，提升了代码质量。AI 尤其对于新手开发者或繁琐的调试过程来说，提供了巨大的帮助。但是AI不是全面的，也有解决不到的问题，所以，我也通过向其他作者的文章学习，帮助我解决了代码上面的错误。
