首页 > 其他分享 >LangChain入门指南,轻松学习,助你游刃有余

LangChain入门指南,轻松学习,助你游刃有余

时间:2024-09-02 21:51:34浏览次数:11  
标签:游刃有余 模型 LangChain OpenAI langchain LLM llm 入门

一、前言

像OpenAI的GPT-4这样的大型语言模型(LLM)已经风靡全球。它们可以自动执行各种任务,如回答问题、翻译语言、分析文本等等。LLM是第一种真正让人感觉像是“人工智能”的机器学习类型。

然而,在实际产品中应用LLM仍存在挑战。特别是LLM管理,这是其中最棘手和繁琐的挑战之一。如果想要搭建由LLM驱动的应用程序,需要管理以下几个方面:

  • 不同的LLM类型——OpenAI、Anthropic、开源等等。

  • 模型版本——更新到最新版本。

  • 提示版本——不断调整和改进提示。

  • 模型链接——可能需要组合或链接多个LLM的输入和输出,以获得最终结果。

要独立完成所有这些工作需要付出大量努力。

这就是LangChain的用武之地!

二、介绍LangChain

【LangChain】:https://www.langchain.com/

LangChain使构建由LLM驱动的应用程序变得简单。它提供的工具极大简化了上述所有挑战。使用LangChain,可以轻松地在统一的界面中与不同的LLM类型进行交互,管理模型版本、管理提示版本,并连接LLM。所有这些功能都打包在一个易于使用的API(应用程序接口)中,因此可以在应用程序中快速利用LLM。

2.1 安装

开始使用LangChain非常简单。可以使用pip安装它,如下所示:

pip install langchain   

或者使用conda

conda install langchain -c conda-forge   

最后,如果想要获取所有最新功能,可以直接从GitHub存储库构建该库。

【GitHub repo】:https://github.com/langchain-ai/langchain

2.2 设置

为了充分利用LangChain,需要将其与模型提供商和API等不同组件集成。可以为每个要连接的提供商设置环境变量。

例如,对于OpenAI,可以设置OpenAI API密钥:

export OPENAI_API_KEY="..."   

或者,在Python应用程序中开始使用LangChain后,可以在代码中设置变量:

from langchain.llms import OpenAI      llm = OpenAI(openai_api_key="...")   

三、LangChain的关键部分

LangChain的出色之处在于它非常灵活和模块化,这使得它可以将语言处理分解为不同的部分,让开发者可以创建自定义工作流程。以下是它的关键部分:

  • 组件和链: 在语言处理中执行特定任务的模块。链将这些组件连接起来以创建自定义工作流程。

  • 提示模板: 可重复使用的提示,可以更改特定值。例如,可以对询问用户姓名的提示进行个性化设置。

  • 向量存储: 它们通过文档的数值意义来保存和搜索信息。

  • 索引和检索器: 存储和查找有关模型训练数据的详细信息,以获得更好的响应。

  • 输出解析器: 管理和优化模型的响应,使其更结构化。

  • 示例选择器: 从模型的训练数据中选择正确的示例,提高响应的准确性。

  • 代理: 具有特定任务的独特实例,如聊天机器人或移动应用程序。

四、在LangChain中构建基于LLM的应用程序

LangChain的LLM类可连接到不同的语言模型提供商,如OpenAI和Hugging Face。可以使用LangChain轻松构建一个应用程序,该应用程序接受提示并生成输出。

例如:

import os    from langchain.llms import OpenAI      llm = OpenAI(model_name="gpt-3.5-turbo",                 openai_api_key=os.environ["OPENAI_API_KEY"])      print(llm("Tell me a joke about pizza!"))   

这可能会输出如下结果:

Why did the pizza maker go to art school?      Because they wanted to get a "pizza" the creative action!   

如果想要切换模型,只需在代码中更改一些细节就可以了。

五、在LangChain中管理LLM的提示信息

LLM需要特定的提示信息才能产生正确的输出。LangChain中的PromptTemplate通过使用模板生成提示信息来提供帮助。用户可以在保持主要结构的同时轻松更改值。

例如:

from langchain.llms import OpenAI   from langchain import PromptTemplate   import os      USER_INPUT = "chocolate cake"      llm = OpenAI(model_name="gpt-3.5-turbo",                 openai_api_key=os.environ["OPENAI_API_KEY"])      template = """I'm interested in making {dish}. Can you provide me with a simple recipe for it, including the main ingredients and basic instructions?"""      prompt = PromptTemplate(input_variables=["dish"], template=template)      final_prompt = prompt.format(dish=USER_INPUT)      print(f"LLM Output: {llm(final_prompt)}")   

这样可以轻松管理所有的提示信息并处理动态输入。

六、将LLM和提示信息结合在多步骤工作流程中

在LangChain中的链接(Chaining)意味着将LLM与其他元素结合起来用于应用程序。你可以:

  • 使用一个LLM的输出作为另一个LLM的输入。

  • 将LLM与模板相结合。

  • 将LLM与外部数据或聊天记录混合。

例如:

from langchain.llms import OpenAI   from langchain.chains import LLMChain, SimpleSequentialChain   from langchain import PromptTemplate   import os      llm = OpenAI(model_name="gpt-3.5-turbo",                 openai_api_key=os.environ["OPENAI_API_KEY"])      # 链中的第一步   template = "Can you provide a brief summary of the movie {movie_title}? Please keep it concise."      first_prompt = PromptTemplate(input_variables=["movie_title"],                                  template=template)      chain_one = LLMChain(llm=llm, prompt=first_prompt)      # 链中的第二步   second_prompt = PromptTemplate(input_variables=["actor"],                                   template="Can you list three movies featuring {actor}?")      chain_two = LLMChain(llm=llm, prompt=second_prompt)      # 将第一步和第二步链结合起来   overall_chain = SimpleSequentialChain(chains=[chain_one, chain_two], verbose=True)      final_answer = overall_chain.run("Inception")   

这个示例建立了一个两步骤的链,用于查找关于城市的旅游信息。

七、结论和了解更多

LangChain是一个使用LLM构建应用程序的Python框架。它可与各种模型连接,使得与LLM和提示信息管理有关的一切都变得简单。

读者福利:如果大家对大模型感兴趣,这套大模型学习资料一定对你有用

对于0基础小白入门:

如果你是零基础小白,想快速入门大模型是可以考虑的。

一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括:大模型学习线路汇总、学习阶段,大模型实战案例,大模型学习视频,人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型!

标签:游刃有余,模型,LangChain,OpenAI,langchain,LLM,llm,入门
From: https://blog.csdn.net/aolan123/article/details/141831435

相关文章

  • Linux系统入门:企业服务与安全管理
    Linux系统入门:企业服务与安全管理......
  • Lucas定理入门
    前置结论如果\(p\)为素数,有以下结论:\(a^p\equiva\pmodp\)即费马小定理\[C_{p}^i\equiv\begin{cases}1&i=0或者i=p\\0&其他情况\end{cases}\pmodp\]证明可以展开\((a+b)^p\equiva^p+b^p\pmodp\)证明1:用结论1\[\begin{aligned}(a+b)^p......
  • Transformer模型入门:简单而直观的解释
    Transformer模型入门:简单而直观的解释引言你是否曾经对现代人工智能如何理解和生成人类语言感到好奇?今天,我们将以一种前所未有的简单方式来解释Transformer模型-这个革命性的AI架构。Transformer的核心:问答结构想象一下,如果我们可以将所有的问题都简化为"问题-答......
  • 【OpenCV】快速入门(二)--视频处理(1)
    OpenCV–视频处理先看代码#include<iostream>#include"opencv2/highgui/highgui.hpp"#include"opencv2/imgproc/imgproc.hpp"intmain(intargc,char**argv){cv::namedWindow("Example3",cv::WINDOW_AUTOSIZE);cv::VideoCaptu......
  • 学习Python多久才能入门?
    转行学习编程,Python语言是大多数人的首要选择。因为它不仅在web开发、游戏开发、数据分析、网络爬虫等领域有着优异的表现,更是人工智能和机器学习的首选语言,那么学会Python大概需要多久?我们一起来看看吧。学习Python所需的时间取决个人的学习速度、学习目标和学习方式。......
  • Arduino基础入门学习——使用DHT11温湿度传感器获取温湿度
    使用DHT11温湿度传感器获取温湿度一、前言二、DHT11介绍三、准备工作四、程序代码五、运行结果六、结束语一、前言老规矩,再来一句名言激励激励大家,当然,也激励自己(狗头):             读书百遍,其义自见。——晋·陈寿二、DHT11介绍DHT11采用单总线......
  • python入门每日一练2023/2/10
    python入门每日一练,可以提高您的python水平,今天是2月10日,上一课的答案是foriinrange(8):print(i)qq="xxxxxxxxx"email="@qq.com"如何将上面的字符串组成一段邮箱地址?......
  • python入门每日一练2023/2/13
    python入门每日一练,可以提高您的python水平,今天是2月13日,上一课的答案是foriinrange(1,len(strb)+1):ifstrb[i]==p:print(i)qq="qq"www="www"com=".com"如何组成www.qq.com网址?(难度★☆☆☆☆)......
  • python入门每日一练2023/2/14
    python入门每日一练,可以提高您的python水平,今天是2月14日,上一课的答案是url=www+qq+coma=3.1415926b=3.1415926c=a+bc等于几?(难度★☆☆☆☆)......
  • python入门每日一练2023/2/12
    python入门每日一练,可以提高您的python水平,今天是2月12日,上一课的答案是importrepat="python"a=re.findwall(pat,stra)print(a[0])strb="asdfghjklqwertyuiopzxcdweftgh"如何在上面的字符串中找到p在第几个?(难度★★☆☆☆)......