ModelScopeChatEndpoint

ModelScope (主页 | GitHub) 是建立在“模型即服务”(MaaS) 的理念之上的。它旨在汇集来自人工智能社区的最先进的机器学习模型，并简化将 AI 模型应用于实际应用的过程。此仓库中开源的核心 ModelScope 库提供了接口和实现，允许开发者进行模型推理、训练和评估。

这将帮助你开始使用ModelScope聊天端点。

概览

集成细节

提供者	Class	包	本地	序列化	Package downloads	Package 最新版本
ModelScope	ModelScopeChatEndpoint	langchain-modelscope-integration	❌	❌

设置

要访问ModelScope聊天端点，您需要创建一个ModelScope账户、获取SDK令牌，并安装langchain-modelscope-integration集成包。

Credentials

前往 ModelScope 注册并生成 SDK 令牌。完成此操作后，请设置 MODELSCOPE_SDK_TOKEN 环境变量：

import getpass
import os

if not os.getenv("MODELSCOPE_SDK_TOKEN"):
    os.environ["MODELSCOPE_SDK_TOKEN"] = getpass.getpass(
        "Enter your ModelScope SDK token: "
    )

安装

The LangChain 模型集成位于 langchain-modelscope-integration 包中:

%pip install -qU langchain-modelscope-integration

Instantiation

现在我们就可以实例化我们的模型对象并生成聊天完成内容:

from langchain_modelscope import ModelScopeChatEndpoint

llm = ModelScopeChatEndpoint(
    model="Qwen/Qwen2.5-Coder-32B-Instruct",
    temperature=0,
    max_tokens=1024,
    timeout=60,
    max_retries=2,
    # other params...
)

Invocation

messages = [
    (
        "system",
        "You are a helpful assistant that translates English to Chinese. Translate the user sentence.",
    ),
    ("human", "I love programming."),
]
ai_msg = llm.invoke(messages)
ai_msg

AIMessage(content='我喜欢编程。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 3, 'prompt_tokens': 33, 'total_tokens': 36, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'qwen2.5-coder-32b-instruct', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-60bb3461-60ae-4c0b-8997-ab55ef77fcd6-0', usage_metadata={'input_tokens': 33, 'output_tokens': 3, 'total_tokens': 36, 'input_token_details': {}, 'output_token_details': {}})

print(ai_msg.content)

我喜欢编程。

链式调用

我们可以通过以下方式将模型与提示模板进行链接：

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate(
    [
        (
            "system",
            "You are a helpful assistant that translates {input_language} to {output_language}.",
        ),
        ("human", "{input}"),
    ]
)

chain = prompt | llm
chain.invoke(
    {
        "input_language": "English",
        "output_language": "Chinese",
        "input": "I love programming.",
    }
)

API 参考:ChatPromptTemplate

AIMessage(content='我喜欢编程。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 3, 'prompt_tokens': 28, 'total_tokens': 31, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'qwen2.5-coder-32b-instruct', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-9f011a3a-9a11-4759-8d16-5b1843a78862-0', usage_metadata={'input_tokens': 28, 'output_tokens': 3, 'total_tokens': 31, 'input_token_details': {}, 'output_token_details': {}})

API 参考

详细文档请参阅所有ModelScopeChatEndpoint功能和配置： https://modelscope.cn/docs/model-service/API-Inference/intro

相关

• 聊天模型 概念指南
• 聊天模型 使用指南