Yuan2.0

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

Yuan2.0 是由 IEIT 系统开发的新一代基础大型语言模型。我们已发布了所有三个模型：Yuan 2.0-102B、Yuan 2.0-51B 和 Yuan 2.0-2B。并且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来增强模型对语义、数学、推理、代码、知识等方面的理解。

入门

安装

首先，Yuan2.0 提供了一个与 OpenAI 兼容的 API，我们通过使用 OpenAI 客户端将 ChatYuan2 集成到 langchain 的聊天模型中。因此，请确保在您的 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，将必要的模块导入您的 Python 脚本

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

API 参考：ChatYuan2 | AIMessage | HumanMessage | SystemMessage

设置您的 API 服务器

根据 yuan2 openai api server 设置您的与 OpenAI 兼容的 API 服务器。如果您在本地部署了 api 服务器，您可以简单地设置 yuan2_api_key="EMPTY" 或任何您想要的键。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

使用系统和人类消息调用模型，如下所示

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

print(chat.invoke(messages))

带流的基本用法

对于持续交互，请使用流功能

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

使用非阻塞调用调用模型，如下所示

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

使用非阻塞调用调用模型并使用聊天模板，如下所示

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())

在流中使用异步调用

对于具有流输出的非阻塞调用，请使用 astream 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