微信小程序星海飞驰

编程助手学Python--Deepseek对Langchain的调用OpenAI的GPT-3.5模型起名字与格式化输出

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.schema import BaseOutputParser
import os


class CommaSeparatedListOutPutParser(BaseOutputParser):
    def parse(self, text:str):
        print(text)
        return text.strip().split(",")
    

os.environ["OPENAI_API_KEY"] = "sk-xx"
os.environ["OPENAI_API_BASE"] = "https://ai.com/v1"

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
OPENAI_API_BASE = os.getenv("OPENAI_API_BASE")
print(OPENAI_API_KEY)
print(OPENAI_API_BASE)
llm = OpenAI(
    model="gpt-3.5-turbo-instruct",
    temperature=0,
    openai_api_key=OPENAI_API_KEY,
    openai_api_base=OPENAI_API_BASE
)

prompt = PromptTemplate.from_template("你是一名起名老师，你的客户是一位新生儿的父母，他们想要给自己的孩子起一个名字。请你为他们提供{num}个名字,请返回以逗号分隔的列表形式。仅返回逗号分隔的列表，不要返回其他内容。")
message = prompt.format(num=5)
res = llm.predict(message)
print(res)   详细解释

以下是对代码的详细解释，包括每个部分的功能、实现逻辑以及代码的作用：

1. 导入库
```
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.schema import BaseOutputParser
import os
```
- langchain.llms ： langchain 是一个用于构建基于大语言模型（LLM）应用的框架。 OpenAI 是 langchain 中用于与 OpenAI 模型交互的类。
- langchain.prompts ：提供了 PromptTemplate 类，用于创建和管理提示模板。
- langchain.schema ：提供了 BaseOutputParser 类，用于解析模型输出。
- os ：Python 标准库，用于与操作系统交互，例如读取环境变量。
2. 自定义输出解析器
```
class CommaSeparatedListOutPutParser(BaseOutputParser):
    def parse(self, text: str):
        print(text)
        return text.strip().split(",")
```
- CommaSeparatedListOutPutParser ：自定义的输出解析器，继承自 BaseOutputParser 。
- parse 方法 ：
  - 输入： text （字符串）。
  - 功能：打印文本内容，并将文本按逗号分隔成列表。
  - 返回：分隔后的列表。
3. 设置环境变量
```
os.environ["OPENAI_API_KEY"] = "sk-xx"
os.environ["OPENAI_API_BASE"] = "https://ai.com/v1"
```
- os.environ ：用于设置或读取环境变量。
- OPENAI_API_KEY ：OpenAI API 的密钥，用于身份验证。 "sk-xx" 是示例密钥，实际使用时需要替换为有效的 API 密钥。
- OPENAI_API_BASE ：OpenAI API 的基础 URL。这里设置为 "https://ai.com/v1" ，可能是自定义的 API 端点（例如，使用代理或本地部署的 OpenAI 兼容服务）。
4. 读取环境变量
```
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
OPENAI_API_BASE = os.getenv("OPENAI_API_BASE")
print(OPENAI_API_KEY)
print(OPENAI_API_BASE)
```
- os.getenv ：从环境变量中读取值。
- OPENAI_API_KEY 和 OPENAI_API_BASE ：分别存储 API 密钥和 API 基础 URL。
- print ：输出这两个变量的值，用于调试或验证。
5. 初始化 OpenAI LLM 对象
```
llm = OpenAI(
    model="gpt-3.5-turbo-instruct",
    temperature=0,
    openai_api_key=OPENAI_API_KEY,
    openai_api_base=OPENAI_API_BASE
)
```
- OpenAI ： langchain 提供的类，用于与 OpenAI 模型交互。
- 参数说明 ：
  - model ：指定使用的模型，这里是 "gpt-3.5-turbo-instruct" ，适用于指令类任务。
  - temperature ：控制生成文本的随机性。 0 表示完全确定性输出，适合需要精确答案的任务。
  - openai_api_key ：API 密钥，这里正确使用了 OPENAI_API_KEY 变量。
  - openai_api_base ：API 基础 URL，这里正确使用了 OPENAI_API_BASE 变量。
6. 创建提示模板并生成提示
```
prompt = PromptTemplate.from_template("你是一名起名老师，你的客户是一位新生儿的父母，他们想要给自己的孩子起一个名字。请你为他们提供{num}个名字,请返回以逗号分隔的列表形式。仅返回逗号分隔的列表，不要返回其他内容。")
message = prompt.format(num=5)
```
- PromptTemplate.from_template ：创建一个提示模板，模板中包含一个占位符 {num} 。
- prompt.format(num=5) ：将占位符 {num} 替换为 5 ，生成最终的提示文本。
7. 调用模型生成文本
```
res = llm.predict(message)
print(res)
```
- llm.predict ：调用 OpenAI 对象的 predict 方法，向模型发送提示文本，并返回生成的文本。
- print(res) ：输出模型的生成结果。
8. 代码运行结果

假设模型返回的结果是：
```
张伟,李娜,王芳,刘洋,赵敏
```
输出将是：
```
张伟,李娜,王芳,刘洋,赵敏
```
9. 代码总结
- 功能：代码实现了一个基于 OpenAI 模型的起名服务，生成 5 个名字并以逗号分隔的形式返回。
- 关键点 ：
  - 使用 PromptTemplate 创建动态提示。
  - 通过 llm.predict 调用模型生成文本。
10. 改进建议
1. 错误处理 ：
  - 在调用模型时，可以添加错误处理逻辑，防止因网络问题或 API 调用失败而导致程序崩溃。
  - 示例：
```
try:
    res = llm.predict(message)
except Exception as e:
    print("模型调用失败:", e)
    res = ""
```
2. 安全性 ：
  - 避免将 API 密钥硬编码在代码中，建议通过环境变量或配置文件管理密钥。
3. 扩展性 ：
  - 可以将提示模板和模型调用封装成函数，方便复用和扩展。
修正后的完整代码
```
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.schema import BaseOutputParser
import os


class CommaSeparatedListOutPutParser(BaseOutputParser):
    def parse(self, text: str):
        print("模型输出:", text)
        return text.strip().split(",")


# 设置环境变量
os.environ["OPENAI_API_KEY"] = "sk-xx"
os.environ["OPENAI_API_BASE"] = "https://ai.com/v1"

# 读取环境变量
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
OPENAI_API_BASE = os.getenv("OPENAI_API_BASE")
print("API Key:", OPENAI_API_KEY)
print("API Base:", OPENAI_API_BASE)

# 初始化 OpenAI LLM 对象
llm = OpenAI(
    model="gpt-3.5-turbo-instruct",
    temperature=0,
    openai_api_key=OPENAI_API_KEY,
    openai_api_base=OPENAI_API_BASE
)

# 创建提示模板并生成提示
prompt = PromptTemplate.from_template(
    "你是一名起名老师，你的客户是一位新生儿的父母，他们想要给自己的孩子起一个名字。请你为他们提供{num}个名字,请返回以逗号分隔的列表形式。仅返回逗号分隔的列表，不要返回其他内容。"
)
message = prompt.format(num=5)

# 调用模型生成文本
try:
    res = llm.predict(message)
    print("模型生成结果:", res)
except Exception as e:
    print("模型调用失败:", e)
    res = ""
```

微信小程序星海飞驰

from langchain.llms import OpenAI from langchain.prompts import PromptTemplate from langchain.schema import BaseOutputParser import os class CommaSeparatedListOutPutParser(BaseOutputParser): def parse(self, text:str): print(text) return text.strip().split(",") os.environ["OPENAI_API_KEY"] = "sk-xx" os.environ["OPENAI_API_BASE"] = "https://ai.com/v1" OPENAI_API_KEY = os.getenv("OPENAI_API_KEY") OPENAI_API_BASE = os.getenv("OPENAI_API_BASE") print(OPENAI_API_KEY) print(OPENAI_API_BASE) llm = OpenAI( model="gpt-3.5-turbo-instruct", temperature=0, openai_api_key=OPENAI_API_KEY, openai_api_base=OPENAI_API_BASE ) prompt = PromptTemplate.from_template("你是一名起名老师，你的客户是一位新生儿的父母，他们想要给自己的孩子起一个名字。请你为他们提供{num}个名字,请返回以逗号分隔的列表形式。仅返回逗号分隔的列表，不要返回其他内容。") message = prompt.format(num=5) res = llm.predict(message) print(res) 详细解释

以下是对代码的详细解释，包括每个部分的功能、实现逻辑以及代码的作用：

1. 导入库

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.schema import BaseOutputParser
import os

langchain.llms ： langchain 是一个用于构建基于大语言模型（LLM）应用的框架。 OpenAI 是 langchain 中用于与 OpenAI 模型交互的类。
langchain.prompts ：提供了 PromptTemplate 类，用于创建和管理提示模板。
langchain.schema ：提供了 BaseOutputParser 类，用于解析模型输出。
os ：Python 标准库，用于与操作系统交互，例如读取环境变量。

2. 自定义输出解析器

class CommaSeparatedListOutPutParser(BaseOutputParser):
    def parse(self, text: str):
        print(text)
        return text.strip().split(",")

CommaSeparatedListOutPutParser ：自定义的输出解析器，继承自 BaseOutputParser 。
parse 方法 ：
- 输入： text （字符串）。
- 功能：打印文本内容，并将文本按逗号分隔成列表。
- 返回：分隔后的列表。

3. 设置环境变量

os.environ["OPENAI_API_KEY"] = "sk-xx"
os.environ["OPENAI_API_BASE"] = "https://ai.com/v1"

os.environ ：用于设置或读取环境变量。
OPENAI_API_KEY ：OpenAI API 的密钥，用于身份验证。 "sk-xx" 是示例密钥，实际使用时需要替换为有效的 API 密钥。
OPENAI_API_BASE ：OpenAI API 的基础 URL。这里设置为 "https://ai.com/v1" ，可能是自定义的 API 端点（例如，使用代理或本地部署的 OpenAI 兼容服务）。

4. 读取环境变量

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
OPENAI_API_BASE = os.getenv("OPENAI_API_BASE")
print(OPENAI_API_KEY)
print(OPENAI_API_BASE)

os.getenv ：从环境变量中读取值。
OPENAI_API_KEY 和 OPENAI_API_BASE ：分别存储 API 密钥和 API 基础 URL。
print ：输出这两个变量的值，用于调试或验证。

5. 初始化 OpenAI LLM 对象

llm = OpenAI(
    model="gpt-3.5-turbo-instruct",
    temperature=0,
    openai_api_key=OPENAI_API_KEY,
    openai_api_base=OPENAI_API_BASE
)

OpenAI ： langchain 提供的类，用于与 OpenAI 模型交互。
参数说明 ：
- model ：指定使用的模型，这里是 "gpt-3.5-turbo-instruct" ，适用于指令类任务。
- temperature ：控制生成文本的随机性。 0 表示完全确定性输出，适合需要精确答案的任务。
- openai_api_key ：API 密钥，这里正确使用了 OPENAI_API_KEY 变量。
- openai_api_base ：API 基础 URL，这里正确使用了 OPENAI_API_BASE 变量。

6. 创建提示模板并生成提示

prompt = PromptTemplate.from_template("你是一名起名老师，你的客户是一位新生儿的父母，他们想要给自己的孩子起一个名字。请你为他们提供{num}个名字,请返回以逗号分隔的列表形式。仅返回逗号分隔的列表，不要返回其他内容。")
message = prompt.format(num=5)

PromptTemplate.from_template ：创建一个提示模板，模板中包含一个占位符 {num} 。
prompt.format(num=5) ：将占位符 {num} 替换为 5 ，生成最终的提示文本。

7. 调用模型生成文本

res = llm.predict(message)
print(res)

llm.predict ：调用 OpenAI 对象的 predict 方法，向模型发送提示文本，并返回生成的文本。
print(res) ：输出模型的生成结果。

8. 代码运行结果

假设模型返回的结果是：

张伟,李娜,王芳,刘洋,赵敏

输出将是：

张伟,李娜,王芳,刘洋,赵敏

9. 代码总结

功能：代码实现了一个基于 OpenAI 模型的起名服务，生成 5 个名字并以逗号分隔的形式返回。
关键点 ：
- 使用 PromptTemplate 创建动态提示。
- 通过 llm.predict 调用模型生成文本。

10. 改进建议

错误处理 ：
- 在调用模型时，可以添加错误处理逻辑，防止因网络问题或 API 调用失败而导致程序崩溃。
- 示例：
```
try:
    res = llm.predict(message)
except Exception as e:
    print("模型调用失败:", e)
    res = ""
```
安全性 ：
- 避免将 API 密钥硬编码在代码中，建议通过环境变量或配置文件管理密钥。
扩展性 ：
- 可以将提示模板和模型调用封装成函数，方便复用和扩展。

修正后的完整代码

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.schema import BaseOutputParser
import os


class CommaSeparatedListOutPutParser(BaseOutputParser):
    def parse(self, text: str):
        print("模型输出:", text)
        return text.strip().split(",")


# 设置环境变量
os.environ["OPENAI_API_KEY"] = "sk-xx"
os.environ["OPENAI_API_BASE"] = "https://ai.com/v1"

# 读取环境变量
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
OPENAI_API_BASE = os.getenv("OPENAI_API_BASE")
print("API Key:", OPENAI_API_KEY)
print("API Base:", OPENAI_API_BASE)

# 初始化 OpenAI LLM 对象
llm = OpenAI(
    model="gpt-3.5-turbo-instruct",
    temperature=0,
    openai_api_key=OPENAI_API_KEY,
    openai_api_base=OPENAI_API_BASE
)

# 创建提示模板并生成提示
prompt = PromptTemplate.from_template(
    "你是一名起名老师，你的客户是一位新生儿的父母，他们想要给自己的孩子起一个名字。请你为他们提供{num}个名字,请返回以逗号分隔的列表形式。仅返回逗号分隔的列表，不要返回其他内容。"
)
message = prompt.format(num=5)

# 调用模型生成文本
try:
    res = llm.predict(message)
    print("模型生成结果:", res)
except Exception as e:
    print("模型调用失败:", e)
    res = ""

编程助手学Python-Deepseek对Langchain的调用OpenAI的GPT-3.5模型起名字与格式化输出

编程助手学Python--Deepseek对Langchain的调用OpenAI的GPT-3.5模型起名字与格式化输出

1. 导入库

2. 自定义输出解析器

3. 设置环境变量

4. 读取环境变量

5. 初始化 OpenAI LLM 对象

6. 创建提示模板并生成提示

7. 调用模型生成文本

8. 代码运行结果

9. 代码总结

10. 改进建议

修正后的完整代码

编程助手学Python-Deepseek对Langchain的调用OpenAI的GPT-3.5模型起名字与格式化输出

编程助手学Python--Deepseek对Langchain的调用OpenAI的GPT-3.5模型起名字与格式化输出

1. 导入库

2. 自定义输出解析器

3. 设置环境变量

4. 读取环境变量

5. 初始化 OpenAI LLM 对象

6. 创建提示模板并生成提示

7. 调用模型生成文本

8. 代码运行结果

9. 代码总结

10. 改进建议

修正后的完整代码