70 lines
3.7 KiB
Python
70 lines
3.7 KiB
Python
|
import os, dotenv
|
|||
|
|
from loguru import logger
|
|||
|
|
from utils.Constant import Constant
|
|||
|
|
from langchain_core.prompts import PromptTemplate
|
|||
|
|
from langchain_core.messages import HumanMessage
|
|||
|
|
# 加载环境变量
|
|||
|
|
dotenv.load_dotenv()
|
|||
|
|
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")
|
|||
|
|
os.environ["OPENAI_BASE_URL"] = os.getenv("OPENAI_BASE_URL")
|
|||
|
|
|
|||
|
|
class LLM_Model_Base(object):
|
|||
|
|
'''
|
|||
|
|
语言模型基类
|
|||
|
|
所有语言模型类的基类，定义了语言模型的基本属性和方法。
|
|||
|
|
- 语言模型名称， 缺省为"gpt-4o-mini"
|
|||
|
|
- 温度，缺省为0.7
|
|||
|
|
- 语言模型实例， 由子类实现
|
|||
|
|
- 语言模型模式， 由子类实现
|
|||
|
|
- 语言模型名称， 用于描述语言模型， 在人机界面中显示
|
|||
|
|
|
|||
|
|
author: DrGraph
|
|||
|
|
date: 2025-11-20
|
|||
|
|
'''
|
|||
|
|
def __init__(self, model_name: str = "gpt-4o-mini", temperature: float = 0.7):
|
|||
|
|
self.model_name = model_name # 0.15 0.6
|
|||
|
|
self.temperature = temperature
|
|||
|
|
self.llmModel = None
|
|||
|
|
self.mode = Constant.LLM_MODE_NONE
|
|||
|
|
self.name = '未知模型'
|
|||
|
|
|
|||
|
|
def buildPromptTemplateValue(self, prompt: str, methodType: str, valueType: str):
|
|||
|
|
logger.info(f"{self.name} >>> 1.1 用户输入: {type(prompt)}")
|
|||
|
|
prompt_template = PromptTemplate.from_template(
|
|||
|
|
template="请回答以下问题: {question}",
|
|||
|
|
)
|
|||
|
|
prompt_template_value = None
|
|||
|
|
if methodType == "format":
|
|||
|
|
# 方式1 - 使用format方法，取得字符串
|
|||
|
|
prompt_str = prompt_template.format(question=prompt) # prompt 为 字符串
|
|||
|
|
logger.info(f"{self.name} >>> 1.2 通过PromptTemplate实例 format 方法，取得字符串prompt_str, 然后再处理 - {type(prompt_str)} - {prompt_str}")
|
|||
|
|
|
|||
|
|
if valueType == "str":
|
|||
|
|
# 1.1 直接用字符串进行调用LLM的invoke
|
|||
|
|
prompt_template_value = prompt_str
|
|||
|
|
logger.info(f"{self.name} >>> 1.2.1 直接使用字符串")
|
|||
|
|
|
|||
|
|
elif valueType == "messages":
|
|||
|
|
# 1.2 由字符串，创建HumanMessage对象列表
|
|||
|
|
prompt_template_value = [HumanMessage(content=prompt)]
|
|||
|
|
logger.info(f"{self.name} >>> 1.2.2 创建HumanMessage对象列表")
|
|||
|
|
|
|||
|
|
elif methodType == "invoke":
|
|||
|
|
# 方式2 - 使用invoke方法，取得PromptValue
|
|||
|
|
prompt_value = prompt_template.invoke(input={"question" : prompt}) # prompt 为 langchain_core.prompt_values.StringPromptValue
|
|||
|
|
logger.info(f"{self.name} >>> 1.2 通过PromptTemplate实例 invoke 方法，取得PromptValue, 然后再处理 - {type(prompt_value)} - {prompt_value}")
|
|||
|
|
if valueType == "str":
|
|||
|
|
# 2.1 再倒回字符串方式
|
|||
|
|
prompt_template_value = prompt_value.to_string()
|
|||
|
|
logger.info(f"{self.name} >>> 1.2.1 由 PromptValue 转换为字符串")
|
|||
|
|
elif valueType == "promptValue":
|
|||
|
|
# 2.2 直接使用 prompt_value 作为 prompt_template_value
|
|||
|
|
prompt_template_value = prompt_value
|
|||
|
|
logger.info(f"{self.name} >>> 1.2.2 直接使用 PromptValue 作为 prompt_template_value")
|
|||
|
|
elif valueType == "messages":
|
|||
|
|
# 2.3 使用 prompt_value.to_messages() 方法，将 PromptValue 转换为 HumanMessage 对象列表
|
|||
|
|
prompt_template_value = prompt_value.to_messages()
|
|||
|
|
logger.info(f"{self.name} >>> 1.2.3 使用 PromptValue.to_messages() 方法，将 PromptValue 转换为 HumanMessage 对象列表")
|
|||
|
|
|
|||
|
|
logger.info(f"{self.name} >>> 1.3 用户输入 最终包装为(PromptValue/str/list of BaseMessages): {type(prompt_template_value)}\n{prompt_template_value}")
|
|||
|
|
return prompt_template_value
|