前言

在看阿里开源的 TransmittableThreadLocal Agent 时发现了在对类进行增强的流程中使用了 WeakHashMap

com.alibaba.ttl3.agent.TtlExtensionTransformletManager

1
2
3
4
5
6
7
8
9
10

// NOTE: use WeakHashMap as a Set collection, value is always null.
private final WeakHashMap<ClassLoader, ?> collectedClassLoaderHistory = new WeakHashMap<>(512);

// Map: ExtensionTransformlet ClassLoader -> ExtensionTransformlet ClassName -> ExtensionTransformlet instance(not include from parent classloader)
private final WeakHashMap<ClassLoader, Map<String, TtlTransformlet>> classLoader2ExtensionTransformlets =
        new WeakHashMap<>(512);

// Map: ExtensionTransformlet ClassLoader -> ExtensionTransformlet ClassName -> ExtensionTransformlet instance(include from parent classloader)
private final WeakHashMap<ClassLoader, Map<String, TtlTransformlet>> classLoader2ExtensionTransformletsIncludeParentCL =
        new WeakHashMap<>(512);

这里使用了弱引用元素的 HashMap，应该是只用于 JVM 启动的类加载阶段，所以使用了特殊的引用类型

#5

#5 Bourbon Cocktail Recipe | PUNCH (punchdrink.com)

作为 2015 年 1 月发布 Trick Dog 的唐人街菜单的爆款，这款“辛辣波本柑橘香肠”（正如店主 Josh Harris 所描述的）正处于潮流之中，在菜单发布的 6 个月里，这家酒吧的销量超过了 11000 个 #5

这种饮料通常用一串添加了香菜风味的芒果块装饰，但也可以使用风干橙片和姜糖来获得类似的泥土味和酸味

列表解析器

返回逗号分隔的项目列表时，可以使用此输出解析器

解析器和 prompt

1
2
3
4
5
6
7
8
9
10
11

# 列表解析器
output_parser = CommaSeparatedListOutputParser()

# 列表解析器自带格式说明
format_instructions = output_parser.get_format_instructions()
# prompt template
prompt_template = PromptTemplate(
    template="列举出五个{subject}.\n{format_instructions}",
    input_variables=["subject"],
    partial_variables={"format_instructions": format_instructions}
)

使用

MMR

MMR 为最大边际相关性，MaxMarginalRelevanceExampleSelector 根据示例与输入之间的相似度以及多样性来选择示例

通过寻找与输入具有最大余弦相似度的嵌入的示例，并在迭代中进行添加；同时对与已选择示例的相似度进行惩罚来进行实现

import

1
2
3
4
5
6
7

from langchain.prompts.example_selector import (
    MaxMarginalRelevanceExampleSelector,
    SemanticSimilarityExampleSelector,
)
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.prompts import FewShotPromptTemplate, PromptTemplate

模板格式

默认情况下，PromptTemplate 会将提供的模板视为 Python f-string

您可以通过 template_format 参数指定其他模板格式，如下的 template_format="jinja2"

1
2
3
4
5
6
7

# 确保安装了 jinja2

jinja2_template = "告诉我一个关于{{ content }}的笑话"
prompt_template = PromptTemplate.from_template(template=jinja2_template, template_format="jinja2")

prompt_template.format(content="熊猫")
# -> 告诉我一个关于熊猫的笑话

Args:

​ template: The template string.

​ template_format: The template format. Should be one of "f-string" or "jinja2".

介绍

LangChain 是一个基于语言模型开发应用程序的框架。它可以实现以下功能：

• 数据感知：将语言模型与其他数据源连接起来
• 主体性：允许语言模型与其环境进行交互

LangChain 的主要价值包括：

1. 组件：用于处理语言模型的抽象，以及每个抽象的一系列实现。组件是模块化且易于使用的，无论您是否使用 LangChain 框架的其他部分，都可以轻松使用
2. 现成的管道：用于完成特定高级任务的结构化组件组合