智谱 AI

此笔记本展示了如何在 LangChain 中使用 ZHIPU AI API，使用 langchain.chat_models.ChatZhipuAI。

GLM-4 是一种与人类意图一致的多语言大型语言模型，具有问答、多轮对话和代码生成等功能。与上一代相比，新一代基模型 GLM-4 的整体性能得到了显着提升，支持更长的上下文；更强大的多模态；支持更快的推理速度，更高的并发性，大幅降低推理成本；同时，GLM-4 增强了智能代理的能力。

入门

安装

首先，确保在您的 Python 环境中安装了 zhipuai 包。运行以下命令

#!pip install --upgrade httpx httpx-sse PyJWT

导入所需模块

安装后，将必要的模块导入您的 Python 脚本

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

API 参考：ChatZhipuAI | AIMessage | HumanMessage | SystemMessage

设置您的 API 密钥

登录 ZHIPU AI 获取 API 密钥以访问我们的模型。

import os

os.environ["ZHIPUAI_API_KEY"] = "zhipuai_api_key"

初始化 ZHIPU AI 聊天模型

以下是初始化聊天模型的方法

chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
)

基本用法

使用系统和人类消息调用模型，如下所示

messages = [
    AIMessage(content="Hi."),
    SystemMessage(content="Your role is a poet."),
    HumanMessage(content="Write a short poem about AI in four lines."),
]

response = chat.invoke(messages)
print(response.content)  # Displays the AI-generated poem

高级功能

流式支持

对于连续交互，请使用流式功能

from langchain_core.callbacks.manager import CallbackManager
from langchain_core.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

API 参考：CallbackManager | StreamingStdOutCallbackHandler

streaming_chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
    streaming=True,
    callback_manager=CallbackManager([StreamingStdOutCallbackHandler()]),
)

streaming_chat(messages)

异步调用

对于非阻塞调用，请使用异步方法

async_chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
)

response = await async_chat.agenerate([messages])
print(response)

与函数调用一起使用

GLM-4 模型也可以与函数调用一起使用，使用以下代码运行一个简单的 LangChain json_chat_agent。

os.environ["TAVILY_API_KEY"] = "tavily_api_key"

from langchain import hub
from langchain.agents import AgentExecutor, create_json_chat_agent
from langchain_community.tools.tavily_search import TavilySearchResults

tools = [TavilySearchResults(max_results=1)]
prompt = hub.pull("hwchase17/react-chat-json")
llm = ChatZhipuAI(temperature=0.01, model="glm-4")

agent = create_json_chat_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
    agent=agent, tools=tools, verbose=True, handle_parsing_errors=True
)

API 参考：AgentExecutor | create_json_chat_agent | TavilySearchResults

agent_executor.invoke({"input": "what is LangChain?"})

相关

• 聊天模型 概念指南
• 聊天模型 操作指南