如何自定义大语言模型（LLMs）

 这里所说的定制化是将你额外的知识进行整合到一个大语言模型中，想象一下，您的公司有数据库，数据湖或者像PDF等一些文档信息，如何结合这些知识来进行增强大预言模型。我们有两种思路：

•     检索增强生成

      这种方法利用协调工具将模型与您的数据源连接起来，例如数据库，无需重新训练。例如Azure OpenAI GPT-4 可以直接用于查询数据库，而无需更改模型本身。这种方法高效且实用，避免了模型训练相关的开销。

• 微调模型

     这个方法涉及在特定数据集上重新训练模型，然后重新部署更新后的模型。虽然这种方式允许定制，它是资源密集型的，并且不太常适应复杂性和运营成本。

RAG的主要优势在于其灵活性，未来模型更新或更换可以无缝集成到现有的设置中。使用相同的连接机制访问数据信息。

RAG方式的实践

import os
import pandas as pd
from IPython.display import  Markdown,HTML,display

openai_api_version ="2023-05-15"
azure_deployment="AzureOpenAIC1"
azure_endpoint="https://testadri,openai.azure.com"
model_version="2024-05-13"

from langchain.schema import HumanMessage
from langchain_openai import AzureChatOpenAI

model = AzureChatOpenAI(
    openai_api_version ="2024-04-01-preview",
    azure_deployment="AzureOpenAIC1",
    azure_endpoint = os.getenv("AZURE_OPENAI_ENDPOINT"),
    model_version = "2024-05-13"
)

message = HumanMessage(
    content =" Translate this sentence from english to french and Spanish I like rea cars and blue houses,but my dog is yellow",
)

model.invoke(message)

与CSV的交互

我们如何构建一个数据库代理来连接我们的数据库，很多时候我们希望使用sql来探索我们的数据库