当前位置:首页> AI教程> 美宝莲化妆品在中国市场占有率

美宝莲化妆品在中国市场占有率

释放双眼,带上耳机,听听看~!
了解美宝莲化妆品在中国市场的占有率情况,掌握美妆品牌在中国市场的竞争态势。

1、框架介绍

LangChain 是一个用于构建大语言模型应用的开源框架,2022年10月作为开源项目推出,目前已经在开发社区颇具名气,构建起了自己的一片开发生态。

LangChain 在 2023 年 3 月获得了 Benchmark Capital 的 1000 万美元种子轮融资,在近期又拿到了红杉2000-2500万美金的融资,估值已经提升到了2亿美金左右。

它提供了一系列模块,这些模块可以组合在一起,用于创建复杂的应用程序,也可以单独用于简单的应用程序。它逻辑上主要有6大模块:Models、prompt、chains、agents、memory、indexes。

美宝莲化妆品在中国市场占有率

一个LangChain应用是通过很多个组件实现的,LangChain主要支持6种组件:

  • Models:模型,各种类型的模型和模型集成,比如ChatGPT、ChatGLM、T5等大语言模型
  • Prompts:提示,包括提示管理、自定义提示词。
  • Agents:代理,决定模型采取哪些行动,执行并且观察流程,直到完成为止; 授予大模型对于外部工具的使用权限。
  • Memory:记忆,用来保存和模型交互时的上下文状态
  • Indexes:索引,用来结构化文档,以便和模型交互
  • Chains:链,一系列对各种组件的调用

2、模块介绍

(1)、Agent

Agent 使用LLM来确定采取哪些行动以及顺序。 一个动作可以是使用工具并观察其输出,或返回给用户。

代理的灵活使用,可以增强大模型的能力。

例如,通过agent,我们可以赋予大模型 访问网络、访问数据库以及其他工具的能力。

from langchain.agents import initialize_agent,Tool
from langchain.llms import OpenAI
from langchain.tools import BaseTool
from agents.brand_search import BrandInfoSearchWrapper
import langchain

langchain.debug = True
from langchain.chat_models import ChatOpenAI

# llm = ChatOpenAI(temperature=0,model_name="gpt-3.5-turbo")
llm = ChatOpenAI(temperature=0,model_name="gpt-35-turbo-16k")
brand_serach = BrandInfoSearchWrapper(top_k=1,domain="zhihu.com")

tools = [
    Tool(
        name="BrandSearch",
        func=brand_serach.run,
        description="当问题中包含品牌信息是使用"
    )
    ]
agent = initialize_agent(
    tools, llm, agent="zero-shot-react-description", verbose=True)

# print("prompt",agent.agent.llm_chain.prompt.template)

print("问题:")
print("答案:" + agent.run("美宝莲这个品牌的化妆品在中国市场占有率如何?"))
  • zero-shot-react-description:仅基于工具的描述来确定要使用的工具。可以提供任意数量的工具。此代理需要为每个工具提供描述。
  • react-docstore:主要与文档存储进行交互。必须提供两个Search和Lookup 工具。Search工具用于搜索文档,而Lookup工具应该查找最近找到的文档中的一个术语。
  • self-ask-with-search:基于搜索引擎查找问题的答案。必须提供了Google搜索API作为工具。
(2)、Memory

LLMs本身是无状态的,对于连续的提问,大语言模型会独立地处理每个传入的查询。在某些应用程序中(聊天机器人是一个很好的例子),记住以前的交互非常重要,无论是在短期还是长期层面上。Memory模块主要用于存储历史的交互记录。

常用模式:

  • 将历史消息交互列表,在下一次提问时,作为上下文信息。
  • 将历史消息交互列,构建向量存储在VectorDB中,并在每次调用时查询最重要的K个文档。不明确跟踪交互的顺序。

langchain 提供多种组件完成交互记忆的存储:

  • (a)、ConversationBufferMemory

    该组件类似我们上面的描述,只不过它会将聊天内容记录在内存中,而不需要每次再手动拼接聊天记录。

  • (b)、ConversationBufferWindowMemory

    相比较第一个记忆组件,该组件增加了一个窗口参数,会保存最近看 k 论的聊天内容。

  • (c)、ConversationTokenBufferMemory

    在内存中保留最近交互的缓冲区,并使用 token 长度而不是交互次数来确定何时刷新交互。

  • (d)、ConversationSummaryMemory

    相比第一个记忆组件,该组件只会存储一个用户和机器人之间的聊天内容的摘要。

  • (e)、ConversationSummaryBufferMemory

    结合了上面两个思路,存储一个用户和机器人之间的聊天内容的摘要并使用 token 长度来确定何时刷新交互。

  • (g)、VectorStoreRetrieverMemory

    它是将所有之前的对话通过向量的方式存储到 VectorDB(向量数据库)中,在每一轮新的对话中,会根据用户的输入信息,匹配向量数据库中最相似的 K 组对话。

(3)、Indexes

索引应用于知识库文档的构建和检索,以便 LLM 可以最好地获取问题相关的背景知识。

主要步骤:

  • 文档加载
  • 文字分割
  • 构建 Embedding
  • 向量存储

langchain 生态提供了多种向量库的接入方式:

(4)、Chains

使用单独的LLM对于一些简单的应用程序来说是可以的,但许多更复杂的应用程序往往难以获得满意的效果。

链允许我们将多个组件组合在一起,每个组件只完成目标明确的某一项操作,然后将格式化后的响应传递给 下一个组件,从而来构建更复杂的应用。

代码示例:

# location 链
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(temperature=1,model_name="gpt-35-turbo-16k")
template = """你的工作是根据用户的城市,推荐一道该地区的经典菜肴。
%用户城市
{user_location}

你的答案:
"""
prompt_template = PromptTemplate(input_variables=["user_location"], template=template)
location_chain = LLMChain(llm=llm, prompt=prompt_template)

# meal 链
template = """给你一道菜,就如何在家做这道菜给出一个简短而简单的食谱。
%菜名
{user_meal}

YOUR RESPONSE:
"""
prompt_template = PromptTemplate(input_variables=["user_meal"], template=template)
meal_chain = LLMChain(llm=llm, prompt=prompt_template)

# 通过 SimpleSequentialChain 串联起来,第一个答案会被替换第二个中的user_meal,然后再进行询问
overall_chain = SimpleSequentialChain(chains=[location_chain, meal_chain], verbose=True)
review = overall_chain.run("北京")

大模型输出结果:

> Entering new SimpleSequentialChain chain...

北京的经典菜肴是炸酱面。炸酱面是北京传统的面食之一,以酱肉和面条为主要材料。这道菜肴以面条爽滑细嫩,配上浓郁的酱料和加入的豆腐丁、黄瓜丝、大葱丝等配料,口感丰富,味道独特。炸酱面在北京有悠久的历史,是一道代表北京美食文化的经典菜肴。
炸酱面的制作方法如下:

材料:
- 面条
- 猪肉末
- 韩式豆瓣酱
- 豆腐丁
- 黄瓜丝
- 大葱丝
- 生抽
- 酱油
--- 食用油

步骤:
1. 将猪肉末放入炒锅中炒熟。
2. 加入适量的韩式豆瓣酱继续炒煮几分钟,使酱料更加香味浓郁。
3. 加入少许生抽、酱油、糖和盐,调成酱料。
4. 煮开水,将面条煮熟后捞出备用。
5. 在炸锅中倒入适量的食用油,将豆腐丁炸熟。
6. 将煮熟的面条放在碗中,加入炸好的豆腐丁、黄瓜丝和大葱丝。
7. 倒入准备好的酱料,搅拌均匀即可。
炸酱面制作完成,可以根据个人口味加入适量的辣椒油或花生碎增添口感。

> Finished chain.

Langchain提供的链式处理模式:

  • SimpleSequentialChain: 顺序链的最简单形式,其中每个步骤都有一个单一的输入/输出,并且一个步骤的输出是下一步的输入。
  • SequentialChain: 相比 SimpleSequentialChain 只允许有单个输入输出,它是一种更通用的顺序链形式,允许多个输入/输出。
  • TransformChain: 转换链允许我们创建一个自定义的转换函数来处理输入,将处理后的结果用作下一个链的输入。

示例代码:

# 转换链:输入变量:text,输出变量:output_text
transform_chain = TransformChain(
    input_variables=["text"], output_variables=["output_text"], transform=transform_func
)

# 使用顺序链
sequential_chain = SimpleSequentialChain(chains=[transform_chain, llm_chain])
# 开始执行
sequential_chain.run(state_of_the_union)
# 结果

3、Function calling

ChatGPT 提供了Function calling功能,这个功能方便我们更加简单的构建大模型处理链。

functions的格式是一个json数组,每一个json是一个函数,包含:

  • name:函数名,
  • description:描述,
  • parameters参数,
  • param_description:参数描述。
  • required 需要的参数。

示例代码:

response = openai.ChatCompletion.create(
            messages=[
                {"role": "system", "content": "你是电商领域营销专家"},
                {"role": "user", "content": prompt}
            ],
            temperature=0,
            stream=False,
            headers=headers,
            # max_tokens=2048,
            # top_p=1,
            functions = [{
                "name":"brand_parse",
                "description":"给出品牌分析",
                "parameters":{
                "type":"object",
                "properties":{
                    "brand_name":{"type":"string","description":"分析的品牌名称"},
                    "value1":{"type":"string","description":"一段话描述品牌知名度,如果不了解请输入:无法给出评价"},
                    "value2":{"type":"string","description":"一段话描述品牌影响力,如果不了解请输入:无法给出评价"},
                    "value3":{"type":"string","description":"一段话描述品牌市场规模,如果不了解请输入:无法给出评价"},
                    "value4":{"type":"string","description":"一段话描述品牌调性,如果不了解请输入:无法给出评价"},
                    "value5":{"type":"string","description":"一段话描述产品风格,如果不了解请输入:无法给出评价"},
                    "value6":{"type":"string","description":"一段话描述品牌受众,如果不了解请输入:无法给出评价"}
                    },
                "required":["value1","value2","value3","value4","value5","value6"],
                },
            }],
            function_call={"name":"brand_parse"}
    )

输出结果:

{
"value1": "皮尔卡丹是一个非常知名的品牌,几乎每个人都听说过它。",
"value2": "皮尔卡丹在时尚界有很大的影响力,它的设计风格独特且受到广泛认可。",
"value3": "皮尔卡丹在连衣裙类目领域市场规模很大,是该领域的领导者之一。",
"value4": "皮尔卡丹的调性时尚、优雅,给人一种高贵大气的感觉。",
"value5": "皮尔卡丹的产品风格时尚、简约,注重细节和质感。",
"value6": "皮尔卡丹的受众主要是年轻女性,他们注重时尚和品质。"
}
本网站的内容主要来自互联网上的各种资源,仅供参考和信息分享之用,不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益,请联系我们,我们将尽快采取行动,包括删除或更正。
AI教程

解决GPU部署问题及性能优化方法

2023-11-22 8:30:14

AI教程

ChatGPT知道自己写的代码有漏洞,但它不说!

2023-11-22 8:39:14

个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索