香蕉

香蕉 提供了用于 AI 模型的无服务器 GPU 推理、CI/CD 构建流水线以及一个简单的 Python 框架（Potassium）来为您的模型提供服务。

本页面介绍了如何在 LangChain 中使用 香蕉 生态系统。

安装和设置

• 安装 Python 包 banana-dev：

pip install banana-dev

• 从 香蕉.dev 仪表板 获取一个香蕉 API 密钥，并将其设置为环境变量（BANANA_API_KEY）

• 从模型详情页面获取您的模型密钥和 URL 别名。

定义您的香蕉模板

您需要为您的香蕉应用程序设置一个 Github 存储库。您可以使用此指南在 5 分钟内开始。

或者，对于一个现成的 LLM 示例，您可以查看香蕉的 CodeLlama-7B-Instruct-GPTQ GitHub 存储库。只需 fork 它并在香蕉中部署它。

其他起始存储库可在此处找到。

构建香蕉应用程序

要在 Langchain 中使用香蕉应用程序，您必须在返回的 JSON 中包含 outputs 键，并且该值必须是一个字符串。

# 将结果作为字典返回
result = {'outputs': result}

一个示例推理函数如下：

@app.handler("/")
def handler(context: dict, request: Request) -> Response:
    """处理从提示生成代码的请求。"""
    model = context.get("model")
    tokenizer = context.get("tokenizer")
    max_new_tokens = request.json.get("max_new_tokens", 512)
    temperature = request.json.get("temperature", 0.7)
    prompt = request.json.get("prompt")
    prompt_template=f'''[INST] Write code to solve the following coding problem that obeys the constraints and passes the example test cases. Please wrap your code answer using ```:

    {prompt}

    [/INST]

    '''

    input_ids = tokenizer(prompt_template, return_tensors='pt').input_ids.cuda()

    output = model.generate(inputs=input_ids, temperature=temperature, max_new_tokens=max_new_tokens)

    result = tokenizer.decode(output[0])

    return Response(json={"outputs": result}, status=200)

此示例来自 CodeLlama-7B-Instruct-GPTQ 的 app.py 文件。

LLM

from langchain_community.llms import Banana

查看使用示例。