Databricks

Databricks Lakehouse 平台在一个平台上统一了数据、分析和 AI。

此笔记本提供了有关 Databricks LLM 模型 入门的快速概述。有关所有功能和配置的详细文档，请访问 API 参考。

概述

Databricks LLM 类封装了一个作为以下两种端点类型之一托管的完成端点

• Databricks 模型服务，推荐用于生产和开发，
• 集群驱动程序代理应用程序，推荐用于交互式开发。

此示例笔记本演示了如何封装您的 LLM 端点并在 LangChain 应用程序中将其用作 LLM。

限制

Databricks LLM 类是旧版实现，在功能兼容性方面存在一些限制。

• 仅支持同步调用。不支持流式或异步 API。
• 不支持batch API。

要使用这些功能，请改用新的 ChatDatabricks 类。ChatDatabricks 支持ChatModel 的所有 API，包括流式、异步、批处理等。

设置

要访问 Databricks 模型，您需要创建一个 Databricks 帐户，设置凭据（仅当您在 Databricks 工作区之外时），并安装所需的软件包。

凭据（仅当您在 Databricks 外部时）

如果您在 Databricks 内部运行 LangChain 应用程序，则可以跳过此步骤。

否则，您需要手动将 Databricks 工作区主机名和个人访问令牌分别设置为DATABRICKS_HOST 和DATABRICKS_TOKEN 环境变量。有关如何获取访问令牌，请参阅 身份验证文档。

import getpass
import os

os.environ["DATABRICKS_HOST"] = "https://your-workspace.cloud.databricks.com"
if "DATABRICKS_TOKEN" not in os.environ:
    os.environ["DATABRICKS_TOKEN"] = getpass.getpass(
        "Enter your Databricks access token: "
    )

或者，您可以在初始化Databricks 类时传递这些参数。

from langchain_community.llms import Databricks

databricks = Databricks(
    host="https://your-workspace.cloud.databricks.com",
    # We strongly recommend NOT to hardcode your access token in your code, instead use secret management tools
    # or environment variables to store your access token securely. The following example uses Databricks Secrets
    # to retrieve the access token that is available within the Databricks notebook.
    token=dbutils.secrets.get(scope="YOUR_SECRET_SCOPE", key="databricks-token"),  # noqa: F821
)

API 参考：Databricks

安装

LangChain Databricks 集成位于langchain-community 软件包中。此外，运行此笔记本中的代码需要mlflow >= 2.9 。

%pip install -qU langchain-community mlflow>=2.9.0

封装模型服务端点

先决条件：

• LLM 已注册并部署到 Databricks 服务端点。
• 您对端点具有 “可以查询”权限。

预期的 MLflow 模型签名为

• 输入：[{"name": "prompt", "type": "string"}, {"name": "stop", "type": "list[string]"}]
• 输出：[{"type": "string"}]

调用

from langchain_community.llms import Databricks

llm = Databricks(endpoint_name="YOUR_ENDPOINT_NAME")
llm.invoke("How are you?")

API 参考：Databricks

'I am happy to hear that you are in good health and as always, you are appreciated.'

llm.invoke("How are you?", stop=["."])

'Good'

转换输入和输出

有时您可能希望封装一个具有不兼容模型签名或想要插入额外配置的服务端点。您可以使用transform_input_fn 和transform_output_fn 参数来定义其他预/后处理。

# Use `transform_input_fn` and `transform_output_fn` if the serving endpoint
# expects a different input schema and does not return a JSON string,
# respectively, or you want to apply a prompt template on top.


def transform_input(**request):
    full_prompt = f"""{request["prompt"]}
    Be Concise.
    """
    request["prompt"] = full_prompt
    return request


def transform_output(response):
    return response.upper()


llm = Databricks(
    endpoint_name="YOUR_ENDPOINT_NAME",
    transform_input_fn=transform_input,
    transform_output_fn=transform_output,
)

llm.invoke("How are you?")

'I AM DOING GREAT THANK YOU.'

相关

• LLM 概念指南
• LLM 操作指南