Yuan2.0

本笔记本展示了如何在 LangChain 中使用 YUAN2 API，使用 langchain.chat_models.ChatYuan2。

Yuan2.0 是由 IEIT System 开发的新一代基础大型语言模型。我们发布了所有三个模型，Yuan 2.0-102B、Yuan 2.0-51B 和 Yuan 2.0-2B。我们为其他开发者提供了用于预训练、微调和推理服务的相关脚本。Yuan2.0 基于 Yuan1.0，利用更广泛的高质量预训练数据和指令微调数据集，以增强模型在语义、数学、推理、代码、知识和其他方面的理解能力。

入门

安装

首先，Yuan2.0 提供了与 OpenAI 兼容的 API，我们通过使用 OpenAI 客户端将 ChatYuan2 集成到 langchain 聊天模型中。因此，请确保你的 Python 环境中安装了 openai 包。运行以下命令

%pip install --upgrade --quiet openai

导入所需的模块

安装完成后，将必要的模块导入到你的 Python 脚本中

from langchain_community.chat_models import ChatYuan2
from langchain_core.messages import AIMessage, HumanMessage, SystemMessage

API 参考：ChatYuan2 | AIMessage | HumanMessage | SystemMessage

设置你的 API 服务器

按照 yuan2 openai api 服务器 设置你的 OpenAI 兼容 API 服务器。如果你在本地部署了 API 服务器，你可以简单地设置 yuan2_api_key="EMPTY" 或任何你想要的内容。只需确保 yuan2_api_base 设置正确即可。

yuan2_api_key = "your_api_key"
yuan2_api_base = "http://127.0.0.1:8001/v1"

初始化 ChatYuan2 模型

以下是如何初始化聊天模型的方法

chat = ChatYuan2(
    yuan2_api_base="http://127.0.0.1:8001/v1",
    temperature=1.0,
    model_name="yuan2",
    max_retries=3,
    streaming=False,
)

基本用法

像这样使用系统消息和人类消息调用模型

messages = [
    SystemMessage(content="你是一个人工智能助手。"),
    HumanMessage(content="你好，你是谁？"),
]

print(chat.invoke(messages))

具有流式传输的基本用法

对于持续交互，请使用流式传输功能

from langchain_core.callbacks import StreamingStdOutCallbackHandler

chat = ChatYuan2(
    yuan2_api_base="http://127.0.0.1:8001/v1",
    temperature=1.0,
    model_name="yuan2",
    max_retries=3,
    streaming=True,
    callbacks=[StreamingStdOutCallbackHandler()],
)
messages = [
    SystemMessage(content="你是个旅游小助手。"),
    HumanMessage(content="给我介绍一下北京有哪些好玩的。"),
]

API 参考：StreamingStdOutCallbackHandler

chat.invoke(messages)

高级功能

使用异步调用

像这样使用非阻塞调用来调用模型

async def basic_agenerate():
    chat = ChatYuan2(
        yuan2_api_base="http://127.0.0.1:8001/v1",
        temperature=1.0,
        model_name="yuan2",
        max_retries=3,
    )
    messages = [
        [
            SystemMessage(content="你是个旅游小助手。"),
            HumanMessage(content="给我介绍一下北京有哪些好玩的。"),
        ]
    ]

    result = await chat.agenerate(messages)
    print(result)

import asyncio

asyncio.run(basic_agenerate())

使用提示模板

像这样使用非阻塞调用并使用聊天模板调用模型

async def ainvoke_with_prompt_template():
    from langchain_core.prompts.chat import (
        ChatPromptTemplate,
    )

    chat = ChatYuan2(
        yuan2_api_base="http://127.0.0.1:8001/v1",
        temperature=1.0,
        model_name="yuan2",
        max_retries=3,
    )
    prompt = ChatPromptTemplate.from_messages(
        [
            ("system", "你是一个诗人，擅长写诗。"),
            ("human", "给我写首诗，主题是{theme}。"),
        ]
    )
    chain = prompt | chat
    result = await chain.ainvoke({"theme": "明月"})
    print(f"type(result): {type(result)}; {result}")

API 参考：ChatPromptTemplate

asyncio.run(ainvoke_with_prompt_template())

在流式传输中使用异步调用

对于具有流式输出的非阻塞调用，请使用 astram 方法

async def basic_astream():
    chat = ChatYuan2(
        yuan2_api_base="http://127.0.0.1:8001/v1",
        temperature=1.0,
        model_name="yuan2",
        max_retries=3,
    )
    messages = [
        SystemMessage(content="你是个旅游小助手。"),
        HumanMessage(content="给我介绍一下北京有哪些好玩的。"),
    ]
    result = chat.astream(messages)
    async for chunk in result:
        print(chunk.content, end="", flush=True)

import asyncio

asyncio.run(basic_astream())

相关

• 聊天模型 概念指南
• 聊天模型 操作指南