langchain中的chat models介绍和使用实例
作者：flydean
简介
之前我们介绍了LLM模式，这种模式是就是文本输入，然后文本输出。
chat models是基于LLM模式的更加高级的模式。他的输入和输出是格式化的chat messages。
一起来看看如何在langchain中使用caht models吧。
chat models的使用
首先langchain对chat models下支持的模型就少很多了。一方面是可能有些语言模型本身是不支持chat models的。另外一方面langchain也还是在一个发展中的过程，所以有些模型还需要适配。
目前看来langchain支持的chat models有：ChatAnthropic,AzureChatOpenAI,ChatVertexAI,JinaChat,ChatOpenAI和PromptLayerChatOpenAI这几种。
langchain把chat消息分成了这几种：AIMessage, HumanMessage, SystemMessage 和 ChatMessage。
HumanMessage就是用户输入的消息，AIMessage是大语言模型的消息，SystemMessage是系统的消息。ChatMessage是一种可以自定义类型的消息。
在使用的时候，只需要在chat中传入对应的消息即可：
from langchain.chat_models import ChatOpenAI
chat = ChatOpenAI()
messages = [
SystemMessage(content="你是一个小说家"),
HumanMessage(content="帮我写篇小说")
]
chat(messages)当然和LLM一样，你也可以使用批量模式如下：
batch_messages = [
[
SystemMessage(content="你是一个小说家"),
HumanMessage(content="帮我写篇小说")
],
[
SystemMessage(content="你是一个诗人"),
HumanMessage(content="帮我写首诗")
],
]
result = chat.generate(batch_messages)
resultchat models的高级功能
其实和LLM类似，基本上LLM有的高级功能chat models都有。
比如有用的比如缓存功能，可以缓存之前的输入和输出，避免每次都调用LLM，从而可以减少token的开销。
以InMemoryCache为例子：
from langchain.cache import InMemoryCache
langchain.llm_cache = InMemoryCache()
# 第一次调用，不是用cache
llm.predict("Tell me a joke")
# 第二次调用，使用cache
llm.predict("Tell me a joke")除了InMemoryCache,langchain还支持FullLLMCache,SQLAlchemyCache,SQLiteCache和RedisCache等等。
同样的，chat models也是支持流模式的：
from langchain.chat_models import ChatOpenAI
from langchain.schema import (
HumanMessage,
)
from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
chat = ChatOpenAI(streaming=True, callbacks=[StreamingStdOutCallbackHandler()], temperature=0)
resp = chat([HumanMessage(content="帮忙我写首诗")])只需要在构建ChatOpenAI的时候，把StreamingStdOutCallbackHandler传入callbacks即可。
如果要在chat models中使用PromptTemplate，因为chat models的消息格式跟LLM是不一样的，所以对应的PromptTemplate也是不一样的。
和对应的chat models消息对应的PromptTemplate是ChatPromptTemplate,SystemMessagePromptTemplate,
AIMessagePromptTemplate和HumanMessagePromptTemplate。
我们看下是如何使用prompt template来构建prompt:
from langchain import PromptTemplate
from langchain.prompts.chat import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
AIMessagePromptTemplate,
HumanMessagePromptTemplate,
)
# 构建各种prompt
template="You are a helpful assistant that translates {input_language} to {output_language}."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template="{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
# 使用format_prompt把prompt传给chat
chat(chat_prompt.format_prompt(input_language="English", output_language="French", text="I love programming.").to_messages())chat models下消息构建确实比直接使用LLM要复杂点，大家在使用的时候需要注意。
总结
chat models是LLM的高阶表现形式。如果我们需要进行对话模型的话，就可以考虑使用这个。