这是对LangChain学习的总结第 7-10 课。
第7课：预训练+微调
- 预训练：在大规模无标注的数据集上进行训练，模型有很强的泛化能力，拥有基础的语义知识。
- 微调：在预训练模型的基础上，根据特点的下游任务（情感，医疗，翻译等）进行微调参数，适合具体的垂类领域
- 预训练—微调的优势：预训练模型有大量的通用知识库，微调模型可以减少数据量和训练时间，根据特定的任务进行优化，简化模型的部署的难度，并且有很强的扩展性。
第8课：输出解析
输出解析器是处理和构建语言模型的响应类。一个合格的输出解释器需要实现2个核心方法：
- get_format_instructions：返回字符串，指导语言模型的输出格式，告诉模型如何组织和构建回答。
- parse：接收字符串（语言模型的输出），解析为特定的数据结构。确保模型的输出符合我们的预期。
- parse_with_prompt：和parse类似，多了一个prompt参数（用于生成这个输出的提示）。
介绍几种解析器：
- Pydantic（JSON）解析器：处理模型的输出，使用场景是模型的输出是符合JSON格式。
- 自动修复解析器：自动修复某些模型的输出错误，纠正输出文本中的语法和拼写错误。
- 重试解析器：该解析器的适用场景在首次输出不符合预期时，重新生成新的输出。
Pydantic（JSON）解析器： 首先需要创建模型实例，选择一个大语言模型。接下来，定义输出数据的格式（数据结构），然后创建输出解析器，并获取输出格式的指示。然后创建提示模板，并加入输出解析器，最终我们生成提示传入模型，并解析输出。
输出的数据：
[{'flower_type': 'Rose', 'price': 50, 'description': '玫瑰是最浪漫的花，它具有柔和的粉红色，有着浓浓的爱意，价格实惠，50元就可以拥有一束玫瑰。', 'reason': '玫瑰代表着爱情，是最浪漫的礼物，以实惠的价格，可以让您尽情体验爱的浪漫。'},
{'flower_type': '百合', 'price': 30, 'description': '这支百合，柔美的花蕾，在你的手中摇曳，仿佛在与你深情的交谈', 'reason': '营造浪漫氛围'},
{'flower_type': 'Carnation', 'price': 20, 'description': '艳丽缤纷的康乃馨，带给你温馨、浪漫的气氛，是最佳的礼物选择！', 'reason': '康乃馨是一种颜色鲜艳、芬芳淡雅、具有浪漫寓意的鲜花，非常适合作为礼物，而且20元的价格比较实惠。'}]
-
自动修复解析器：举个例子：如果字符串的内容如下（使用单引号
"{'name': '康乃馨', 'colors': ['粉红色','白色','红色','紫色','黄色']}"），解析器会自动修复为'{"name": "康乃馨", "colors": ["粉红色","白色","红色","紫色","黄色"]}'。这样JSON字符串就是正确的格式可以被模型正确解析。主要处理格式问题。 -
重试解析器：当程序中的错误不只是简单的格式问题，而是有内容缺失，该解析可以重新与模型交互，输出更完整。
第9-10课：
链：就像是搭积木，把提示词和大语言模型封装成一个模块，并且不同的模块之间可以相互调用。链的调用方式有：
- 直接调用：
llm_chain("玫瑰") - 使用run方法
llm_chain.run("玫瑰") - 使用predict方法
llm_chain.predict(flower="玫瑰") - 使用apply方法
input_list = [{"flower": "玫瑰",'season': "夏季"},{"flower": "百合",'season': "春季"},{"flower": "郁金香",'season': "秋季"} ]result = llm_chain.apply(input_list) - 使用generate方法
llm_chain.generate(input_list)
顺序链Vs路由链
- 顺序链：顾名思义，就是每一个链都是串联的
- 路由链：动态选择用于给定输入的下一个链，根据用户具体的需求，优先使用路由链确定用户的问题适合哪一个处理模板，然后将问题发送给该处理模板，若问题不适合已定义的任何模板，他会被发送到默认链。
第十一课：
Memory记忆 使用记忆机制可以让大模型记住前文进行的对话。这些记忆机制都含有如下两个参数：
- {history} 是存储会话记忆的地方，也就是人类和人工智能之间对话历史的信息。
- {input} 是新输入的地方，你可以把它看成是和ChatGPT对话时，文本框中的输入。
