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开始使用 Databricks LLM 模型 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 类包装了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包装您的 LLM 端点并在您的 LangChain 应用程序中将其用作 LLM。

限制

Databricks LLM 类是遗留实现，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、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，您需要分别手动将 Databricks 工作区主机名和个人访问令牌设置为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 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

包装模型服务端点

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

有时您可能希望包装具有不兼容模型签名的服务端点，或者您想插入额外的配置。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