Skip to main content
Open In ColabOpen on GitHub
Open In Colab

maritalk

简介​

MariTalk 是由巴西公司 Maritaca AI 开发的助手。 MariTalk 基于经过专门训练以更好地理解葡萄牙语的语言模型。

这个笔记本展示了如何通过两个示例使用 MariTalk 和 LangChain：

  1. 一个关于如何使用 MariTalk 执行任务的简单示例。
  2. LLM + RAG：第二个示例展示了如何回答一个答案位于超出 MariTalk 令牌限制的长文档中的问题。为此，我们将使用一个简单的搜索器（BM25）先搜索文档中最相关的部分，然后将它们提供给 MariTalk 进行回答。

安装​

首先，使用以下命令安装 LangChain 库（及其所有依赖项）：

!pip install langchain langchain-core langchain-community httpx

API密钥​

你需要一个可以从 chat.maritaca.ai 获取的 API 密钥（“Chaves da API” 部分）。

示例 1 - 宠物名称建议​

让我们定义我们的语言模型 ChatMaritalk，并使用您的 API 密钥对其进行配置。

from langchain_community.chat_models import ChatMaritalk
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts.chat import ChatPromptTemplate

llm = ChatMaritalk(
    model="sabia-2-medium",  # Available models: sabia-2-small and sabia-2-medium
    api_key="",  # Insert your API key here
    temperature=0.7,
    max_tokens=100,
)

output_parser = StrOutputParser()

chat_prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You are an assistant specialized in suggesting pet names. Given the animal, you must suggest 4 names.",
        ),
        ("human", "I have a {animal}"),
    ]
)

chain = chat_prompt | llm | output_parser

response = chain.invoke({"animal": "dog"})
print(response)  # should answer something like "1. Max\n2. Bella\n3. Charlie\n4. Rocky"

流式生成​

对于涉及生成长文本的任务，例如撰写长篇文章或翻译大型文档，相比于等待完整文本生成，逐步接收生成的部分内容会更具优势。这种方法能够使应用程序更加响应迅速且高效，尤其是在生成的文本量较大时。我们提供了两种方法来满足这一需求：一种是同步方式，另一种是异步方式。

Synchronous:​

from langchain_core.messages import HumanMessage

messages = [HumanMessage(content="Suggest 3 names for my dog")]

for chunk in llm.stream(messages):
    print(chunk.content, end="", flush=True)
API 参考：HumanMessage

Asynchronous:​

from langchain_core.messages import HumanMessage


async def async_invoke_chain(animal: str):
    messages = [HumanMessage(content=f"Suggest 3 names for my {animal}")]
    async for chunk in llm._astream(messages):
        print(chunk.message.content, end="", flush=True)


await async_invoke_chain("dog")
API 参考：HumanMessage

示例 2 - RAG + LLM：UNICAMP 2024 入学考试问答系统​

在这个例子中，我们需要安装一些额外的库：

!pip install unstructured rank_bm25 pdf2image pdfminer-six pikepdf pypdf unstructured_inference fastapi kaleido uvicorn "pillow<10.1.0" pillow_heif -q

正在加载数据库​

第一步是使用通知中的信息创建数据库。为此，我们将从 COMVEST 网站下载通知，并将提取的文本分割为 500 个字符的窗口。

from langchain_community.document_loaders import OnlinePDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter

# Loading the COMVEST 2024 notice
loader = OnlinePDFLoader(
    "https://www.comvest.unicamp.br/wp-content/uploads/2023/10/31-2023-Dispoe-sobre-o-Vestibular-Unicamp-2024_com-retificacao.pdf"
)
data = loader.load()

text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500, chunk_overlap=100, separators=["\n", " ", ""]
)
texts = text_splitter.split_documents(data)

创建一个搜索器​

现在我们已经有了数据库，接下来需要一个搜索器。在这个例子中，我们将使用简单的 BM25 作为搜索系统，但它可以被任何其他搜索器替代（例如通过嵌入进行搜索）。

from langchain_community.retrievers import BM25Retriever

retriever = BM25Retriever.from_documents(texts)
API 参考：BM25Retriever

结合搜索系统 + 大型语言模型​

现在我们已经有了搜索器，只需要实现一个指定任务的提示并调用链即可。

from langchain.chains.question_answering import load_qa_chain

prompt = """Baseado nos seguintes documentos, responda a pergunta abaixo.

{context}

Pergunta: {query}
"""

qa_prompt = ChatPromptTemplate.from_messages([("human", prompt)])

chain = load_qa_chain(llm, chain_type="stuff", verbose=True, prompt=qa_prompt)

query = "Qual o tempo máximo para realização da prova?"

docs = retriever.invoke(query)

chain.invoke(
    {"input_documents": docs, "query": query}
)  # Should output something like: "O tempo máximo para realização da prova é de 5 horas."
API 参考：load_qa_chain