本地大模型编程实战(01)实现翻译功能

大语言模型的主要功能是预测：输入一些字符串，它预测输出另一些字符串，这个特点使它擅长翻译。

本文描述了如何使用大语言模型(LLM)实现基本的翻译功能，此翻译功能的特点是：无需指定源语言，只需要指定目标语言就可以进行翻译了。

准备

在正式开始撸代码之前，需要准备一下编程环境。

1. 计算机
   本文涉及的所有代码可以在没有显存的环境中执行。 我使用的机器配置为：

   • CPU: Intel i5-8400 2.80GHz
   • 内存: 16GB

2. Visual Studio Code 和 venv
   这是很受欢迎的开发工具，相关文章的代码可以在 Visual Studio Code 中开发和调试。 我们用 python 的 venv 创建虚拟环境, 详见：
   在Visual Studio Code中配置venv。

3. Ollama
   在 Ollama 平台上部署本地大模型非常方便，基于此平台，我们可以让 langchain 使用 llama3.1、qwen2.5 等各种本地大模型。详见：
   在langchian中使用本地部署的llama3.1大模型 。

使用本地大语言模型

from langchain_ollama.llms import OllamaLLM
model = OllamaLLM(model="llama3.1")

llama3.1 支持多语言，适合一般性任务。langchain也支持很多其它平台和模型，详见：Chat models 。

翻译测试

ChatModel 是 LangChain Runnable 的实例，这意味着它们公开了一个用于与它们交互的标准接口。我们用 .invoke 方法即可简单的调用模型。

def translate_1(text):"""将文字翻译为意大利语"""messages = [SystemMessage("Translate the following from English into Italian"),HumanMessage(text),]return model.invoke(messages)

我们现在可以调用上述方法，测试一下大模型的能力。

if __name__ == '__main__':response = translate_1("Hello, how are you?")print(response)

Ciao! Come stai? (Hello! How are you?)

langchain 还支持用其它的格式作为invoke的参数，例如：model.invoke("Hello")等价于：

model.invoke([{"role": "user", "content": "Hello"}])model.invoke([HumanMessage("Hello")])

流式输出

因为聊天模型是 Runnable，所以它们公开了一个包含异步和流调用模式的标准接口stream，我们用它把翻译方法改造一下：

def translate_1_stream(text):"""将文字翻译为意大利语"""messages = [SystemMessage("Translate the following from English into Italian"),HumanMessage(text),]for token in model.stream(messages):yield token

我们可以调用一下此方法：

for token in translate_1_stream("Hello, how are you?"):print(token, end="|")

C|iao|,| come| st|ai|?||

流式输出的好处是：大模型返回的数据可以"一点一点"的返回来。
当大模型响应比较慢时，可以让用户便等待边看到结果，很友好；另外，在后面练习比较复杂的 Agent 时，也可以通过 stream 调用看到调用过程，便于调试。

提示词模板

我们通过提示词模板构建比较复杂一点的提示词，它有两个参数：

• language: 将文本翻译成的语言
• text: 被翻译的文本
  然后我们再调用提示词模板的 invoke 方法初始化提示词。

# 1. system提示词
def translate_2(text,language):"""用提示词模板构建提示词，翻译文字"""# 1. system提示词system_template = "Translate the following from English into {language}"# 2. 提示词模板prompt_template = ChatPromptTemplate.from_messages([("system", system_template), ("user", "{text}")])# 3. 调用invoke构建提示词prompt = prompt_template.invoke({"language": language, "text": text})print(prompt.to_messages())response = model.invoke(prompt)return response

请注意，ChatPromptTemplate 在单个模板中支持多种消息角色。在本例中，我们将 language 参数格式化为系统消息，将 text 格式化为用户消息。
我们调用一下这个方法，看看输出效果：

response = translate_2("First up, let's learn how to use a language model by itself.","Chinese")
print(response)

让我们先学习如何使用语言模型。

代码

• github
• gitee

---

🪐祝好运🪐