Chatting with your private data using LangChain with Azure OpenAI Service(azure openai key langchain

azure_openai = langchain.AzureOpenAI()

azure openai key langchain的进一步展开说明

构建ChatGPT类似的系统来与您的私人数据聊天

在本文中，我们将讨论如何构建一个系统，使您能够与您的私人数据进行聊天，类似于ChatGPT。为此，我们将使用LangChain、Azure OpenAI Service和Faiss作为我们的向量存储。作为底层的大型语言模型，我们将使用gpt⑶.5-turbo（即“ChatGPT”模型）。

首先，创建一个.env文件，并添加您的Azure OpenAI Service详细信息：

“`plaintext
OPENAI_API_KEY=xxxxxx
OPENAI_API_BASE=https://xxxxxxxx.openai.azure.com/
OPENAI_API_VERSION=2023-05⑴5
“`

接下来，确保您已通过pip安装了gpt⑶.5-turbo和text-embedding-ada-002，并使用与模型本身相同的名称进行了部署。

Azure OpenAI Service模型部署

让我们通过pip安装最新版本的openai和langchain：

“`plaintext
pip install openai –upgrade
pip install langchain –upgrade
“`

在本文中，我们使用的是openai==0.27.8和langchain==0.0.240。

好的，让我们开始写一些代码。首先，让我们初始化Azure OpenAI Service连接并创建LangChain对象：

“`python
import os
import openai
from dotenv import load_dotenv
from langchain.chat_models import AzureChatOpenAI
from langchain.embeddings import OpenAIEmbeddings

# 加载环境变量（在 .env 文件中设置 OPENAI_API_KEY、OPENAI_API_BASE 和 OPENAI_API_VERSION）
load_dotenv()

# 配置 OpenAI API
openai.api_type = “azure”
openai.api_base = os.getenv(‘OPENAI_API_BASE’)
openai.api_key = os.getenv(“OPENAI_API_KEY”)
openai.api_version = os.getenv(‘OPENAI_API_VERSION’)

# 初始化 gpt⑶.5-turbo 和嵌入模型
llm = AzureChatOpenAI(deployment_name=”gpt⑶.5-turbo”)
embeddings = OpenAIEmbeddings(deployment_id=”text-embedding-ada-002″, chunk_size=1)
“`

接下来，我们可以加载一堆文本文件，对其进行分块，并进行嵌入。LangChain支持许多区别的文档加载器，这样可以很容易地适应其他数据源和文件格式。您可以在此处下载示例数据。

“`python
from langchain.document_loaders import DirectoryLoader
from langchain.document_loaders import TextLoader
from langchain.text_splitter import TokenTextSplitter

loader = DirectoryLoader(‘data/qna/’, glob=”*.txt”, loader_cls=TextLoader, loader_kwargs={‘autodetect_encoding’: True})
documents = loader.load()

text_splitter = TokenTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
“`

接下来，让我们将文档写入Faiss中，以便我们可以高效地查询嵌入：

“`python
from langchain.vectorstores import FAISS

db = FAISS.from_documents(documents=docs, embedding=embeddings)
“`

最后，我们可以创建我们的文档问答聊天链。在这类情况下，我们指定了问题提示，将用户的问题转换为一个独立的问题，以防用户提出了后续问题：

“`python
from langchain.chains import ConversationalRetrievalChain
from langchain.prompts import PromptTemplate

# 自行调剂
CONDENSE_QUESTION_PROMPT = PromptTemplate.from_template(
“””给出以下对话和一个后续问题，请将后续问题改写成一个独立的问题。聊天记录：
{chat_history}
后续输入：
{question}
独立的问题：”””
)

qa = ConversationalRetrievalChain.from_llm(
llm=llm,
retriever=db.as_retriever(),
condense_question_prompt=CONDENSE_QUESTION_PROMPT,
return_source_documents=True,
verbose=False
)
“`

让我们提一个问题：

“`python
chat_history = []
query = “Azure OpenAI Service是甚么？”
result = qa({“question”: query, “chat_history”: chat_history})

print(“问题：”, query)
print(“回答：”, result[“answer”])
“`

从这里，我们还可以问后续问题：

“`python
chat_history = [(query, result[“answer”])]
query = “该服务支持哪些地区？”
result = qa({“question”: query, “chat_history”: chat_history})

print(“问题：”, query)
print(“回答：”, result[“answer”])
“`

这将产生以下（或类似的）输出：

“`
问题：Azure OpenAI Service是甚么？
回答：Azure OpenAI是一项提供REST API访问OpenAI语言模型的服务，包括GPT⑶、Codex和Embeddings。这些模型可用于内容生成、摘要、语义搜索和自然语言转代码。该服务可以通过REST API、Python SDK或Azure OpenAI Studio的基于Web的界面访问。Azure OpenAI提供虚拟网络支持、托管标识和负责任的AI内容过滤。但是，由于需求量巨大和微软对负责任AI的许诺，目前访问该服务有限制。
问题：该服务支持哪些地区？
回答：Azure OpenAI服务目前可在以下地区使用：东部美国、南部中部美国和西欧。
“`

看上去不错！由于我们使用了后续问题提示，LangChain将最新的问题转换为一个后续问题，因此可以通过上下文解决它。

azure openai key langchain的常见问答Q&A