MemcachedCache#

class langchain_community.cache.MemcachedCache(client_: Any)[源代码]#

通过pymemcache客户端库使用Memcached后端的缓存

初始化一个MemcachedCache实例。

Parameters:

  • client (str) – pymemcache 的任何客户端实例 (Client, PooledClient, HashClient)

  • client_ (任意)

示例： .. code-block:: python

从 langchain.globals 导入 set_llm_cache 从 langchain_openai 导入 OpenAI

从langchain_community.cache导入MemcachedCache 从pymemcache.client.base导入Client

llm = OpenAI(model=”gpt-3.5-turbo-instruct”, n=2, best_of=2) set_llm_cache(MemcachedCache(Client(‘localhost’)))

# 第一次，它还没有在缓存中，所以应该花费更长的时间 llm.invoke(“Which city is the most crowded city in the USA?”)

# 第二次时，它会更快 llm.invoke(“Which city is the most crowded city in the USA?”)

方法

__init__(client_)

初始化一个MemcachedCache的实例。

aclear(**kwargs)

异步清除缓存，可以接受额外的关键字参数。

alookup(prompt, llm_string)

基于提示和llm_string的异步查找。

aupdate(prompt, llm_string, return_val)

基于提示和llm_string异步更新缓存。

clear(**kwargs)

清除整个缓存。

lookup(prompt, llm_string)

根据提示和llm_string进行查找。

update(prompt, llm_string, return_val)

根据提示和llm_string更新缓存。
__init__(client_: Any)[源代码]#

初始化一个MemcachedCache实例。

Parameters:

  • client (str) – pymemcache 的任何客户端实例 (Client, PooledClient, HashClient)

  • client_ (任意)

示例： .. code-block:: python

从 langchain.globals 导入 set_llm_cache 从 langchain_openai 导入 OpenAI

从langchain_community.cache导入MemcachedCache 从pymemcache.client.base导入Client

llm = OpenAI(model=”gpt-3.5-turbo-instruct”, n=2, best_of=2) set_llm_cache(MemcachedCache(Client(‘localhost’)))

# 第一次，它还没有在缓存中，所以应该花费更长的时间 llm.invoke(“Which city is the most crowded city in the USA?”)

# 第二次时，它会更快 llm.invoke(“Which city is the most crowded city in the USA?”)

async aclear(**kwargs: Any) → None#

异步清除缓存，可以接受额外的关键字参数。

Parameters:

kwargs (任意)

Return type:

无

async alookup(prompt: str, llm_string: str) → Sequence[Generation] | None#

基于提示和llm_string的异步查找。

缓存实现预计会从提示和llm_string的二元组生成一个键（例如，通过用分隔符连接它们）。

Parameters:

  • prompt (str) – 提示的字符串表示。 在聊天模型的情况下，提示是将提示非平凡地序列化为语言模型。

  • llm_string (str) – LLM配置的字符串表示。 这用于捕获LLM的调用参数 （例如，模型名称、温度、停止标记、最大标记等）。 这些调用参数被序列化为字符串 表示。

Returns:

在缓存未命中时，返回 None。在缓存命中时，返回缓存的值。 缓存的值是 Generations（或其子类）的列表。

Return type:

序列[生成] | 无

async aupdate(prompt: str, llm_string: str, return_val: Sequence[Generation]) → None#

根据提示和llm_string异步更新缓存。

提示和llm_string用于生成缓存的键。 该键应与查找方法的键匹配。

Parameters:

  • prompt (str) – 提示的字符串表示。 在聊天模型的情况下，提示是将提示非平凡地序列化为语言模型。

  • llm_string (str) – LLM配置的字符串表示。 这用于捕获LLM的调用参数 （例如，模型名称、温度、停止标记、最大标记等）。 这些调用参数被序列化为字符串 表示。

  • return_val (Sequence[Generation]) – 要缓存的值。该值是一个Generations（或其子类）的列表。

Return type:

无

clear(**kwargs: Any) → None[source]#

清除整个缓存。接受可选的关键字参数：

delay: optional int, the number of seconds to wait before flushing,

或零以立即刷新（默认值）。非阻塞，立即返回。

noreply: optional bool, True to not wait for the reply (defaults to

client.default_noreply).

Parameters:

kwargs (任意)

Return type:

无

lookup(prompt: str, llm_string: str) → Sequence[Generation] | None[source]#

根据提示和llm_string进行查找。

Parameters:

  • prompt (str)

  • llm_string (str)

Return type:

序列[生成] | 无

update(prompt: str, llm_string: str, return_val: Sequence[Generation]) → None[source]#

根据提示和llm_string更新缓存。

Parameters:

  • prompt (str)

  • llm_string (str)

  • return_val (Sequence[Generation])

Return type:

无