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. 利用MLXPipeline，
2. 利用ChatMLX 类使这些 LLM 中的任何一个都能与 LangChain 的聊天消息 抽象进行交互。
3. 演示如何使用开源 LLM 为ChatAgent 管道提供动力

%pip install --upgrade --quiet  mlx-lm transformers huggingface_hub

1. 实例化 LLM

有三种 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

检查聊天消息如何为 LLM 调用格式化。

chat_model._to_chat_prompt(messages)

调用模型。

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

3. 作为代理试用一下！

在这里，我们将测试gemma-2b-it 作为零样本ReAct 代理。以下示例取自此处。

注意：要运行此部分，您需要将SerpAPI 令牌 另存为环境变量：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

API 参考：AgentExecutor | load_tools | format_log_to_str | ReActJsonSingleInputOutputParser | render_text_description | SerpAPIWrapper

使用react-json 样式提示和对搜索引擎和计算器的访问来配置代理。

# 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?"
    }
)

相关

• 聊天模型概念指南
• 聊天模型操作指南