magentic - 将大型语言模型集成至Python代码

项目介绍：magentic

Magentic 是一个可以轻松将大型语言模型（LLM）集成到 Python 代码中的工具。通过使用 @prompt 和 @chatprompt 等装饰器，可以让这些模型生成结构化的输出。此外，还可以将 LLM 查询与普通的 Python 函数调用混合使用，以创建复杂的逻辑。

项目特性

结构化输出：利用 Pydantic 模型和 Python 内置类型生成结构化数据。
聊天提示：通过向模型提供一些例子，启用少量提示功能。
函数调用：通过 FunctionCall 和 ParallelFunctionCall 生成函数调用。
格式化：将 Python 对象自然地插入到提示语句中。
异步功能：使用 async def 定义 magentic 函数，实现异步功能。
流式处理：一边生成结果一边输出，支持流式处理。
视觉处理：支持从图像中获取结构化输出。
LLM 辅助重试：提高模型对复杂输出模式的遵循。
多种 LLM 提供商：支持 OpenAI 和 Anthropic 等多种提供者。
类型注释：与代码检查和开发环境良好兼容。

安装方法

Magentic 可以通过以下命令进行安装：

pip install magentic

或使用 poetry：

poetry add magentic

同时，需要配置 OpenAI API 密钥：设置环境变量 OPENAI_API_KEY。

使用方法

@prompt

@prompt 装饰器允许开发者定义一个 LLM 提示模板。在调用这个函数时，参数会自动填充到模板中，然后发送到 LLM，生成函数的输出。

from magentic import prompt

@prompt('Add more "dude"ness to: {phrase}')
def dudeify(phrase: str) -> str: ...

dudeify("Hello, how are you?")
# 输出: "Hey, dude! What's up? How's it going, my man?"

@chatprompt

@chatprompt 和 @prompt 类似，但它允许使用聊天消息作为模板。可以通过提供例子来指导模型的输出。

from magentic import chatprompt, AssistantMessage, SystemMessage, UserMessage
from pydantic import BaseModel

class Quote(BaseModel):
    quote: str
    character: str

@chatprompt(
    SystemMessage("You are a movie buff."),
    UserMessage("What is your favorite quote from Harry Potter?"),
    AssistantMessage(
        Quote(
            quote="It does not do to dwell on dreams and forget to live.",
            character="Albus Dumbledore",
        )
    ),
    UserMessage("What is your favorite quote from {movie}?"),
)
def get_movie_quote(movie: str) -> Quote: ...

get_movie_quote("Iron Man")
# 输出: Quote(quote='I am Iron Man.', character='Tony Stark')

FunctionCall

LLM 还可以直接调用函数。当使用 @prompt 装饰函数时，它会返回一个 FunctionCall 对象，该对象可以使用模型提供的参数来执行。

from typing import Literal
from magentic import prompt, FunctionCall

def search_twitter(query: str, category: Literal["latest", "people"]) -> str:
    return "<twitter results>"

@prompt(
    "Use the appropriate search function to answer: {question}",
    functions=[search_twitter],
)
def perform_search(question: str) -> FunctionCall[str]: ...

output = perform_search("What is the latest news on LLMs?")
output()
# 输出调用结果

@prompt_chain

该装饰器可用于在生成最终答案之前，自动执行多个函数调用。

from magentic import prompt_chain

def get_current_weather(location, unit="fahrenheit"):
    return {"temperature": "72", "unit": unit, "forecast": ["sunny", "windy"]}

@prompt_chain(
    "What's the weather like in {city}?",
    functions=[get_current_weather],
)
def describe_weather(city: str) -> str: ...

describe_weather("Boston")
# 输出: 'The current weather in Boston is 72°F and it is sunny and windy.'

后端配置

Magentic 支持多种 LLM 供应商，通过环境变量和 ChatModel 配置相应的模型。例如：

from magentic import OpenaiChatModel, prompt

@prompt("Say hello")
def say_hello() -> str: ...

with OpenaiChatModel("gpt-3.5-turbo", temperature=1):
    say_hello()

Magentic 提供了丰富多样的特性和易于使用的接口，大大简化了大型语言模型在 Python 中的集成使用。这为开发者提供了更灵活和强大工具去处理复杂的问题。