几个开发大模型应用常用的 Python 库-51CTO.COM

一、应用层开发

1. FastAPI

FastAPI是构建API的优选。顾名思义，它快速、简单，并能与Pydantic完美集成，实现无缝数据验证。

from fastapi import FastAPI
from pydantic import BaseModel

app = FastAPI()

class Item(BaseModel):
    name: str
    price: float

@app.post("/items/")
async def create_item(item: Item):
    return {"name": item.name, "price": item.price}1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.

2. Jinja

Jinja是一个模板引擎，用于创建动态提示，它简单而强大，在管理复杂的提示逻辑方面起着关键作用。

from jinja2 import Template


template = Template("Hello {{ name }}!")
print(template.render(name="Raj"))1.
2.
3.
4.
5.

二、任务调度

有时候系统需要处理繁重的工作，Celery库可以帮助跨多个线程或机器分配任务。即使在要求苛刻的操作中，也能保持应用程序的响应速度。

from celery import Celery

app = Celery('tasks', broker='redis://localhost:6379/0')

@app.task
def add(x, y):
    return x + y1.
2.
3.
4.
5.
6.
7.

三、数据管理

数据是AI的基础，目前比较常用的两种数据库：PostgreSQL和MongoDB，分别对应着结构化和非结构化数据。

1. 连接

一般使用psycopg2管理Postgre SQL，使用PyMongo管理MongoDB。

import psycopg2

conn = psycopg2.connect(
    dbname="example", user="user", password="password", host="localhost")
cursor = conn.cursor()
cursor.execute("SELECT * FROM table")
rows = cursor.fetchall()
print(rows)1.
2.
3.
4.
5.
6.
7.
8.

2. 简化数据操作

SQLAlchemy可以实现Python API管理数据库操作，相比SQL，这更干净，更高效。

from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker

Base = declarative_base()

class User(Base):
    __tablename__ = 'users'
    id = Column(Integer, primary_key=True)
    name = Column(String)

engine = create_engine('sqlite:///example.db')
Base.metadata.create_all(engine)1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

四、API集成

将AI大模型集成到应用程序是最重要的步骤，实际上我们的应用就像是LLM的客户端，OpenAI、Anthropic和Google API 这些库都是AI应用集成常用的。

import openai

openai.api_key = "your-api-key"
response = openai.Completion.create(
    engine="text-davinci-003",
    prompt="Write a Python function to add two numbers.",
    max_tokens=100
)
print(response.choices[0].text.strip())1.
2.
3.
4.
5.
6.
7.
8.
9.

五、数据处理

1. 结构化

如果应用想从LLM中得到可靠的结构化输出，那么Instructor库是一个很好的选择。它可与各种模型配合使用，并且提供了高级数据验证功能。

from instructor import Instructor

instructor = Instructor(api_key="your-api-key")
response = instructor.get_response(prompt="What is the capital of France?", model="text-davinci-003")
print(response)1.
2.
3.
4.
5.

2. LangChain和LlamaIndex：

这些框架简化了使用大型语言模型的工作。在一些场景下它们可以容简化提示管理和嵌入之类的复杂任务，使其易于入门。

from langchain.chains import LLMChain
from langchain.llms import OpenAI

llm = OpenAI(temperature=0.7)
chain = LLMChain(llm=llm)
response = chain.run("What is 2 + 2?")
print(response)1.
2.
3.
4.
5.
6.
7.

3. 向量数据库

许多AI应用程序，例如RAG，依赖于存储上下文，以便于后续进行检索。

往往会使用到向量数据库存储向量以及执行相似性搜索，例如：Pinecone、Weaviate和PGVector。

import pinecone

pinecone.init(api_key="your-api-key", environment="us-west1-gcp")
index = pinecone.Index("example-index")
index.upsert([("id1", [0.1, 0.2, 0.3])])
result = index.query([0.1, 0.2, 0.3], top_k=1)
print(result)1.
2.
3.
4.
5.
6.
7.

4. DSPy

DSPy有助于自动优化提示，在微调AI响应时节省大量时间以及猜测。

from dsp import PromptOptimizer

optimizer = PromptOptimizer()
optimized_prompt = optimizer.optimize("Write a poem about space.")
print(optimized_prompt)1.
2.
3.
4.
5.

5. PyMuPDF和PyPDF2

如果AI应用需要从PDF或文档中提取数据，这些库是靠谱的选择。

import fitz

doc = fitz.open("example.pdf")
for page in doc:
    print(page.get_text())1.
2.
3.
4.
5.

6. Pydantic

人工智能项目经常需要处理混乱、不可预测的数据，Pydantic优雅地可以清理、组织数据。

from pydantic import BaseModel

class User(BaseModel):
    name: str
    age: int
    email: str

user = User(name="rose", age=30, email="rose@example.com")
print(user.dict())1.
2.
3.
4.
5.
6.
7.
8.
9.

六、跟踪观察

大模型应用的开发不是一触而就，开发只是第一步，在开发完之后还需要持续监控它的执行状况并对其优化。

Langsmith和Langsmith，这两个平台适合用于跟踪LLM调用情况，包括延迟、成本和输出等关键数据。

from langfuse import LangFuse

langfuse = LangFuse(api_key="your-api-key")
langfuse.log_interaction(prompt="What is 5 + 5?", response="10", latency=0.3)1.
2.
3.
4.

以上这些Python库可以用于构建可靠、可扩展和高效的AI应用程序。