ChatBedrockConverse

Amazon Bedrock Converse 是一款完全托管的服务，可通过 API 提供来自领先 AI 初创公司和亚马逊的 Foundation Models (FM)。您可以从各种 FM 中进行选择，找到最适合您的用例的模型。它为 Bedrock 模型提供统一的对话界面，但尚未实现所有功能的完全对等性，因为在更早的 Bedrock 模型服务 中。

这将帮助您开始使用 Amazon Bedrock Converse 聊天模型。有关所有 ChatBedrockConverse 功能和配置的详细文档，请转至 API 参考。

概述

集成详细信息

类	包	本地	可序列化	PY 支持	包下载	包最新版
ChatBedrockConverse	@langchain/aws	❌	✅	✅

模型功能

有关如何使用特定功能的指南，请参阅下方表头中的链接。

工具调用	结构化输出	JSON 模式	图像输入	音频输入	视频输入	令牌级流式传输	令牌使用情况	Logprobs
✅	✅	❌	✅	❌	❌	✅	✅	❌

设置

要访问 Bedrock 模型，您需要创建一个 AWS 帐户，设置 Bedrock API 服务，获取访问密钥 ID 和密钥，并安装 @langchain/community 集成包。

凭据

转至 AWS 文档 注册 AWS 并设置您的凭据。您还需要为您的帐户启用模型访问权限，您可以通过 按照这些说明 进行操作。

如果您想自动跟踪您的模型调用，您还可以通过取消下方注释来设置您的 LangSmith API 密钥

# export LANGCHAIN_TRACING_V2="true"
# export LANGCHAIN_API_KEY="your-api-key"

安装

LangChain ChatBedrockConverse 集成位于 @langchain/aws 包中

提示

请参阅 本节了解有关安装集成包的一般说明。

npm

npm i @langchain/aws @langchain/core

yarn

yarn add @langchain/aws @langchain/core

pnpm

pnpm add @langchain/aws @langchain/core

实例化

现在，我们可以实例化我们的模型对象并生成聊天补全。

有几种不同的方法可以使用 AWS 进行身份验证 - 下面的示例依赖于环境变量中设置的访问密钥、密钥和区域。

import { ChatBedrockConverse } from "@langchain/aws";

const llm = new ChatBedrockConverse({
  model: "anthropic.claude-3-5-sonnet-20240620-v1:0",
  region: process.env.BEDROCK_AWS_REGION,
  credentials: {
    accessKeyId: process.env.BEDROCK_AWS_ACCESS_KEY_ID!,
    secretAccessKey: process.env.BEDROCK_AWS_SECRET_ACCESS_KEY!,
  },
});

调用

const aiMsg = await llm.invoke([
  [
    "system",
    "You are a helpful assistant that translates English to French. Translate the user sentence.",
  ],
  ["human", "I love programming."],
]);
aiMsg;

AIMessage {
  "id": "f5dc5791-224e-4fe5-ba2e-4cc51d9e7795",
  "content": "J'adore la programmation.",
  "additional_kwargs": {},
  "response_metadata": {
    "$metadata": {
      "httpStatusCode": 200,
      "requestId": "f5dc5791-224e-4fe5-ba2e-4cc51d9e7795",
      "attempts": 1,
      "totalRetryDelay": 0
    },
    "metrics": {
      "latencyMs": 584
    },
    "stopReason": "end_turn",
    "usage": {
      "inputTokens": 29,
      "outputTokens": 11,
      "totalTokens": 40
    }
  },
  "tool_calls": [],
  "invalid_tool_calls": [],
  "usage_metadata": {
    "input_tokens": 29,
    "output_tokens": 11,
    "total_tokens": 40
  }
}

console.log(aiMsg.content);

J'adore la programmation.

链式调用

我们可以使用提示模板将我们的模型进行 链式调用，如下所示

import { ChatPromptTemplate } from "@langchain/core/prompts";

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

const chain = prompt.pipe(llm);
await chain.invoke({
  input_language: "English",
  output_language: "German",
  input: "I love programming.",
});

AIMessage {
  "id": "c6401e11-8f85-4a71-8e15-4856d55aef78",
  "content": "Here's the German translation:\n\nIch liebe Programmieren.",
  "additional_kwargs": {},
  "response_metadata": {
    "$metadata": {
      "httpStatusCode": 200,
      "requestId": "c6401e11-8f85-4a71-8e15-4856d55aef78",
      "attempts": 1,
      "totalRetryDelay": 0
    },
    "metrics": {
      "latencyMs": 760
    },
    "stopReason": "end_turn",
    "usage": {
      "inputTokens": 23,
      "outputTokens": 18,
      "totalTokens": 41
    }
  },
  "tool_calls": [],
  "invalid_tool_calls": [],
  "usage_metadata": {
    "input_tokens": 23,
    "output_tokens": 18,
    "total_tokens": 41
  }
}

工具调用

使用 Bedrock 模型进行工具调用与 其他模型 类似，但请注意，并非所有 Bedrock 模型都支持工具调用。有关更多信息，请参阅 AWS 模型文档。

API 参考

有关所有 ChatBedrockConverse 功能和配置的详细文档，请转至 API 参考：https://api.js.langchain.com/classes/langchain_aws.ChatBedrockConverse.html

相关内容

• 聊天模型 概念指南
• 聊天模型 操作指南