Skip to main content
Open In ColabOpen on GitHub

Databricks

Databricks Lakehouse 平台在一个平台上统一了数据、分析和人工智能。

本笔记本提供了 Databricks LLM 模型的入门快速概述。有关所有功能和配置的详细文档，请访问API 参考。

概述​

Databricks LLM 类封装了一个完成端点，该端点托管为以下两种端点类型之一：

本示例笔记本展示了如何封装您的 LLM 端点并将其用作 LangChain 应用程序中的 LLM。

局限性​

Databricks LLM 类是遗留实现，在功能兼容性方面存在一些局限性。

  • 仅支持同步调用。不支持流式或异步 API。
  • 不支持 batch API。

要使用这些功能，请改用新的 ChatDatabricks 类。ChatDatabricks 支持 ChatModel 的所有 API，包括流式、异步、批量等。

设置​

要访问 Databricks 模型，您需要创建 Databricks 账户，设置凭证（仅当您在 Databricks 工作区外部时），并安装所需的包。

凭证（仅当您在 Databricks 外部时）​

如果您在 Databricks 内运行 LangChain 应用，则可以跳过此步骤。

否则，您需要将 Databricks 工作区主机名和个人访问令牌分别手动设置为 DATABRICKS_HOST 和 DATABRICKS_TOKEN 环境变量。有关如何获取访问令牌的更多信息，请参阅 身份验证文档 。

import getpass
import os

os.environ["DATABRICKS_HOST"] = "https://your-workspace.cloud.databricks.com"
if "DATABRICKS_TOKEN" not in os.environ:
    os.environ["DATABRICKS_TOKEN"] = getpass.getpass(
        "Enter your Databricks access token: "
    )

或者，您可以在初始化 Databricks 类时传递这些参数。

from langchain_community.llms import Databricks

databricks = Databricks(
    host="https://your-workspace.cloud.databricks.com",
    # We strongly recommend NOT to hardcode your access token in your code, instead use secret management tools
    # or environment variables to store your access token securely. The following example uses Databricks Secrets
    # to retrieve the access token that is available within the Databricks notebook.
    token=dbutils.secrets.get(scope="YOUR_SECRET_SCOPE", key="databricks-token"),  # noqa: F821
)
API Reference:Databricks

安装​

LangChain Databricks 集成位于 langchain-community 包中。此外，运行此笔记本中的代码需要 mlflow >= 2.9。

%pip install -qU langchain-community mlflow>=2.9.0

封装模型服务终结点​

先决条件：​

预期的 MLflow 模型签名是：

  • inputs: [{"name": "prompt", "type": "string"}, {"name": "stop", "type": "list[string]"}]
  • outputs: [{"type": "string"}]

调用​

from langchain_community.llms import Databricks

llm = Databricks(endpoint_name="YOUR_ENDPOINT_NAME")
llm.invoke("How are you?")
API Reference:Databricks
'I am happy to hear that you are in good health and as always, you are appreciated.'
llm.invoke("How are you?", stop=["."])
'Good'

转换输入和输出​

有时您可能需要包装一个服务接口，该接口的模型签名不兼容，或者您想插入额外的配置。您可以使用 transform_input_fn 和 transform_output_fn 参数来定义额外的预处理/后处理。

# Use `transform_input_fn` and `transform_output_fn` if the serving endpoint
# expects a different input schema and does not return a JSON string,
# respectively, or you want to apply a prompt template on top.


def transform_input(**request):
    full_prompt = f"""{request["prompt"]}
    Be Concise.
    """
    request["prompt"] = full_prompt
    return request


def transform_output(response):
    return response.upper()


llm = Databricks(
    endpoint_name="YOUR_ENDPOINT_NAME",
    transform_input_fn=transform_input,
    transform_output_fn=transform_output,
)

llm.invoke("How are you?")
'I AM DOING GREAT THANK YOU.'