LLM大语言模型（二）：Streamlit 无需前端经验也能画web页面

问题

假如你是一位后端开发，没有任何的web开发经验，那如何去实现一个LLM的对话交互页面呢？

答案是"Streamlit"

Streamlit是什么？

Streamlit是一个开源Python库。

可以轻松创建和共享用于机器学习和数据科学的漂亮的自定义web应用程序。

只需几分钟，您就可以构建和部署功能强大的数据应用程序。

一句话说明白：用python画web页面

怎样用Streamlit画一个LLM的web页面呢？

下文将以ChatGLM3的demo为例做介绍。

文本输出

使用Streamlit的markdown组件

st.markdown(message["content"])

markdown组件支持HTML标签（官方不建议这么做），help信息等。

st.markdown(body, unsafe_allow_html=False, *, help=None)

页面布局

整体分为左和右。

左侧又分为超参数调节、“清理会话历史”按钮。

右侧又分为对话展示框、输入框。

我们来看如何用python实现此布局。

左侧布局：

# 左侧超参数调节组件
# st表示streamlit

# 设置max_length、top_p和temperature
max_length = st.sidebar.slider("max_length", 0, 32768, 8192, step=1)
top_p = st.sidebar.slider("top_p", 0.0, 1.0, 0.8, step=0.01)
temperature = st.sidebar.slider("temperature", 0.0, 1.0, 0.6, step=0.01)

# 清理会话历史按钮
buttonClean = st.sidebar.button("清理会话历史", key="clean")
if buttonClean:
    st.session_state.history = []
    st.session_state.past_key_values = None
    if torch.cuda.is_available():
        torch.cuda.empty_cache()
    st.rerun()

滑动条

超参数调节使用的滑动条是streamlit的sidebar.slider组件，可以设置最小值、最大值、默认值、step、帮助信息等

st.slider(label, min_value=None, max_value=None, 
value=None, step=None, format=None, 
key=None, help=None, on_change=None, 
args=None, kwargs=None, *, disabled=False, 
label_visibility="visible")

按钮

清理会话历史按钮用的是streamlit的button组件，可以设置button展示名称，key组件唯一标识等。返回bool，用于判断按钮是否被触发。

st.button(label, key=None, 
help=None, on_click=None, 
args=None, kwargs=None, *,
 type="secondary", disabled=False,
 use_container_width=False)

对话框

右侧是人机对话框，将对话历史逐条渲染，分为user和assistant消息，使用Streamlit的chat_message组件

# 渲染聊天历史记录
for i, message in enumerate(st.session_state.history):
    if message["role"] == "user":
        with st.chat_message(name="user", avatar="user"):
            st.markdown(message["content"])
    else:
        with st.chat_message(name="assistant", avatar="assistant"):
            st.markdown(message["content"])

Streamlit的chat_message组件，隶属于chat组件分类。如果name是 "human"/"user" or "ai"/"assistant"，将自动启用系统内置的展示图标等。纯纯的为了LLM对话框而设计的。

st.chat_message(name, *, avatar=None)

输入框

输入框使用了Streamlit的chat_input组件，获取到input后，调用后端LLM生成新的对话内容。

# 初始化输入框和输出框
with st.chat_message(name="user", avatar="user"):
    input_placeholder = st.empty()
with st.chat_message(name="assistant", avatar="assistant"):
    message_placeholder = st.empty()

# 获取用户输入
prompt_text = st.chat_input("请输入您的问题")

# 如果用户输入了内容,则生成回复
if prompt_text:

    input_placeholder.markdown(prompt_text)
    history = st.session_state.history
    past_key_values = st.session_state.past_key_values
    for response, history, past_key_values in model.stream_chat(
        tokenizer,
        prompt_text,
        history,
        past_key_values=past_key_values,
        max_length=max_length,
        top_p=top_p,
        temperature=temperature,
        return_past_key_values=True,
    ):
        message_placeholder.markdown(response)

    # 更新历史记录和past key values
    st.session_state.history = history
    st.session_state.past_key_values = past_key_values

总结

Streamlit提供了一种非常便捷且高效的方式，让后端开发也能轻松的画出来简单的web页面。

特别适合LLM这种页面比较简单的场景。

当然它的大头在data science的数据可视化场景。

【推荐阅读】

1. LLM大语言模型（一）：ChatGLM3-6B本地部署-CSDN博客