跳到主要内容

MLX

此笔记本展示了如何开始使用 MLX LLM 作为聊天模型。

特别是，我们将

  1. 使用 MLXPipeline，
  2. 使用 ChatMLX 类，使这些 LLM 中的任何一个都能与 LangChain 的 聊天消息抽象接口。
  3. 演示如何使用开源 LLM 来驱动 ChatAgent 管道
%pip install --upgrade --quiet  mlx-lm transformers huggingface_hub

1. 实例化 LLM​

有三个 LLM 选项可供选择。

from langchain_community.llms.mlx_pipeline import MLXPipeline

llm = MLXPipeline.from_model_id(
    "mlx-community/quantized-gemma-2b-it",
    pipeline_kwargs={"max_tokens": 10, "temp": 0.1},
)
API 参考:MLXPipeline

2. 实例化 ChatMLX 以应用聊天模板​

实例化聊天模型和一些要传递的消息。

from langchain_community.chat_models.mlx import ChatMLX
from langchain_core.messages import HumanMessage

messages = [
    HumanMessage(
        content="What happens when an unstoppable force meets an immovable object?"
    ),
]

chat_model = ChatMLX(llm=llm)
API 参考:ChatMLX | HumanMessage

检查聊天消息是如何为 LLM 调用格式化的。

chat_model._to_chat_prompt(messages)

调用模型。

res = chat_model.invoke(messages)
print(res.content)

3. 将其作为代理进行试用！​

这里我们将测试 gemma-2b-it 作为零样本 ReAct 代理。下面的示例取自 此处。

注意：要运行此部分，您需要将 SerpAPI 令牌保存为环境变量：SERPAPI_API_KEY

from langchain import hub
from langchain.agents import AgentExecutor, load_tools
from langchain.agents.format_scratchpad import format_log_to_str
from langchain.agents.output_parsers import (
    ReActJsonSingleInputOutputParser,
)
from langchain.tools.render import render_text_description
from langchain_community.utilities import SerpAPIWrapper

使用 react-json 样式提示配置代理，并访问搜索引擎和计算器。

# setup tools
tools = load_tools(["serpapi", "llm-math"], llm=llm)

# setup ReAct style prompt
prompt = hub.pull("hwchase17/react-json")
prompt = prompt.partial(
    tools=render_text_description(tools),
    tool_names=", ".join([t.name for t in tools]),
)

# define the agent
chat_model_with_stop = chat_model.bind(stop=["\nObservation"])
agent = (
    {
        "input": lambda x: x["input"],
        "agent_scratchpad": lambda x: format_log_to_str(x["intermediate_steps"]),
    }
    | prompt
    | chat_model_with_stop
    | ReActJsonSingleInputOutputParser()
)

# instantiate AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke(
    {
        "input": "Who is Leo DiCaprio's girlfriend? What is her current age raised to the 0.43 power?"
    }
)

此页对您有帮助吗？