模态

本页面介绍如何使用模态生态系统来运行 LangChain 定制的LLM（语言模型）。分为两个部分：

1. 模态安装和Web端点部署

2. 使用部署的Web端点与 LLM 包装类。

安装和设置

• 使用 pip install modal 进行安装

• 运行 modal token new

定义您的模态函数和Webhooks

您必须包含一个提示。有一个严格的响应结构：

class Item(BaseModel):
    prompt: str
@stub.function()
@modal.web_endpoint(method="POST")
def get_text(item: Item):
    return {"prompt": run_gpt2.call(item.prompt)}

以下是一个使用 GPT2 模型的示例：

from pydantic import BaseModel
import modal
CACHE_PATH = "/root/model_cache"
class Item(BaseModel):
    prompt: str
stub = modal.Stub(name="example-get-started-with-langchain")
def download_model():
    from transformers import GPT2Tokenizer, GPT2LMHeadModel
    tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
    model = GPT2LMHeadModel.from_pretrained('gpt2')
    tokenizer.save_pretrained(CACHE_PATH)
    model.save_pretrained(CACHE_PATH)
# 为下面的LLM函数定义一个容器镜像，用于下载和存储GPT-2模型。
image = modal.Image.debian_slim().pip_install(
    "tokenizers", "transformers", "torch", "accelerate"
).run_function(download_model)
@stub.function(
    gpu="any",
    image=image,
    retries=3,
)
def run_gpt2(text: str):
    from transformers import GPT2Tokenizer, GPT2LMHeadModel
    tokenizer = GPT2Tokenizer.from_pretrained(CACHE_PATH)
    model = GPT2LMHeadModel.from_pretrained(CACHE_PATH)
    encoded_input = tokenizer(text, return_tensors='pt').input_ids
    output = model.generate(encoded_input, max_length=50, do_sample=True)
    return tokenizer.decode(output[0], skip_special_tokens=True)
@stub.function()
@modal.web_endpoint(method="POST")
def get_text(item: Item):
    return {"prompt": run_gpt2.call(item.prompt)}

部署Web端点

使用 modal deploy CLI 命令将Web端点部署到模态云。您的Web端点将在 modal.run 域下获得一个持久的URL。

LLM包装器封装模态Web端点

Modal LLM包装器类将接受您部署的Web端点的URL。

from langchain_community.llms import Modal
endpoint_url = "https://ecorp--custom-llm-endpoint.modal.run"  # 用您部署的模态Web端点的URL替换此处
llm = Modal(endpoint_url=endpoint_url)
llm_chain = LLMChain(prompt=prompt, llm=llm)
question = "贾斯汀·比伯出生年份的超级碗冠军是哪支NFL球队？"
llm_chain.run(question)