如何使用Langchain教程构建LLM应用程序
- William Shakespeare原创
- 2025-03-10 11:41:09924浏览
>大型语言模型（LLM）的能力（例如OpenAI的GPT-3，Google的Bert和Meta的Llama）通过启用各种类型的文本，从营销内容和数据科学代码到诗歌，从而改变了各种行业。尽管Chatgpt由于其用户友好的聊天界面而引起了极大的关注，但通过将LLMS集成到不同的软件应用程序中，存在许多未开发的可能性。
。
>在我们的构建Langchain构建AI应用程序的更多信息中，沿着Langchain＆OpenAI API AI代码构建多模式AI应用程序，沿着> ，您将发现如何使用hissper to the Whisper Speech-to-Text AI转录YouTube视频内容，然后使用GPT询问内容的问题。
什么是大型语言模型（LLM）？
>
大语言模型（LLMS）是指旨在理解和生成类似人类文本的高级人工智能系统。对这些模型进行了大量数据培训，使它们能够掌握复杂的模式，理解语言细微差别并产生连贯的响应。 LLM具有执行各种与语言相关的任务的能力，包括语言翻译，文本完成，摘要，甚至从事对话互动。 GPT是LLM的一个示例。LLM是一种生成AI。如果您想了解生成的AI及其如何提高创造力，请在生成的AI革命中查看我们的博客，以提高您的创造力和我们的播客。您还可以注册我们即将举行的大语言模型概念课程。
Langchain简介
Langchain是一个开源框架，旨在促进由大语言模型（LLMS）提供支持的应用程序的开发。它提供了一套工具，组件和接口，以简化以LLM为中心的应用程序的构建。使用Langchain，管理与语言模型的互动，无缝链接不同的组件并结合了API和数据库等资源变得毫不费力。您可以在另一篇文章中阅读有关数据工程和数据应用程序的有关Langchain的更多信息。> Langchain平台带有一系列API，开发人员可以将其嵌入其应用程序，使他们能够注入语言处理能力，而无需从头开始构建所有内容。因此，Langchain有效地简化了制作基于LLM的应用程序的过程，使其适合各种专业知识的开发人员。
>聊天机器人，虚拟助手，语言翻译实用程序和情感分析工具等应用程序都是LLM驱动应用程序的实例。开发人员利用Langchain创建定制语言模型的应用程序，以满足特定需求。 随着自然语言处理的持续进步和更广泛的采用，该技术的潜在应用实际上是无限的。这是兰链的几个值得注意的特征：1。可量身定制的提示满足您的特定要求
2。为高级用法方案构建链链接组件
3。集成数据增强模型并访问一流的语言模型功能，例如GPT和HuggingFace Hub。
4。多功能组件允许与特定需求进行混合和匹配
5。操纵上下文以建立和指导上下文以提高精度和用户满意度
>在Python中设置Langchain
在Python中安装Langchain非常简单。您可以使用PIP或CONDA安装。>
>使用PIP安装
>使用conda
安装这将建立Langchain的基本必需品。当Langchain与不同的模型提供商，数据存储等集成时，大部分有用性都可以实现。
pip install langchain>。
默认情况下，这些集成所需的依赖项不包括在安装中。要安装所有依赖项，您可以运行以下命令：
install langchain -c conda-forge最终选项是从源构建库。在这种情况下，您可以从其github存储库中克隆该项目。
>
>环境设置使用Langchain通常需要与各种模型提供商，数据存储，API和类似组件进行集成。与任何集成一样，我们必须为Langchain提供适当且相关的API键。有两种方法可以实现这一目标：
pip install langchain[all]
1。将密钥设置为环境变量
如果您不希望设置环境变量，则可以在启动OpenAi LLM类时直接通过openai_api_key传递键
2。直接在相关类中设置密钥
pip install langchain
langchain的关键组件
Langchain由于强调灵活性和模块化而脱颖而出。它将自然语言处理管道分解为单独的组件，使开发人员能够根据需要调整工作流程。这种适应性使Langchain非常适合在各种场景和部门构建AI应用程序。>
组件和链条>在兰链中，组件是在语言处理管道中执行特定功能的模块。这些组件可以链接到量身定制的工作流程的“链”中，例如带有情感分析，意图识别和响应生成模块的客户服务聊天机器人链。
>
>提示模板>提示模板是跨链条可重复使用的预定义提示。通过插入特定的“值”，这些模板可以变得动态和适应性。例如，可以通过插入特定值来个性化提示用户名的提示。此功能有益于基于动态资源生成提示。
>
>向量存储这些用于通过嵌入来存储和搜索信息，从本质上分析了文档含义的数值表示。矢量店是这些嵌入的存储设施，可以基于语义相似性有效搜索。
索引和猎犬
索引充当数据库，该数据库存储了有关模型培训数据的详细信息和元数据，而检索者则迅速搜索此索引以获取特定信息。这通过提供上下文和相关信息来改善模型的响应。
>输出解析器
>输出解析器正在发挥作用，以管理和完善模型产生的响应。他们可以消除不希望的内容，定制输出格式或为响应补充额外的数据。因此，输出解析器可帮助从语言模型的响应中提取结构化结果，例如JSON对象。
>示例选择器Langchain中的示例选择器可以从模型的训练数据中确定适当的实例，从而提高了生成的响应的精度和相关性。可以调整这些选择器以偏爱某些类型的示例或过滤无关的示例，从而根据用户输入提供了量身定制的AI响应。
>代理
>代理是独特的兰链实例，每个实例都有特定用例的特定提示，内存和链条。它们可以部署在各种平台上，包括Web，Mobile和聊天机器人，可满足广泛的受众范围。
>如何在langchain中构建语言模型应用程序
Langchain提供了一个LLM类，旨在与各种语言模型提供商（例如OpenAI，Cohere和Hugging Face）接口。 LLM最基本的功能是生成文本。使用Langchain构建应用程序提示并返回输出的应用程序非常简单。pip install langchain
输出：
＆gt;＆gt;＆gt; “当您修改数据时，您会得到什么？数据科学家！”
>在上面的示例中，我们正在使用OpenAI的Text-ADA-001模型。如果您想将其交换为HuggingFace的任何开源模型，这是一个简单的更改：
install langchain -c conda-forge>您可以从HF帐户中获取拥抱的脸部集线器ID。
如果您有多个提示，则可以使用生成方法立即发送提示列表：
输出
pip install langchain[all]：
这是您可以使用Langchain创建的最简单的应用程序。它需要提示，将其发送到您选择的语言模型，然后返回答案。您可以控制许多参数，例如“温度”。温度参数调整了输出的随机性，默认情况下将其设置为0.7。
管理Langchain中LLM的提示模板
LLM具有特殊的API。尽管它似乎对自然语言的输入提示似乎很直观，但实际上需要调整提示以实现LLM的所需输出。此调整过程称为及时工程。一旦有一个好的提示，您可能需要将其用作其他目的的模板。
> Langchain中的提示模板允许您使用模板来生成提示。当您想在多个位置使用相同的提示概述，但要更改某些值时，这很有用。
输出
：
1。爬上埃菲尔铁塔，欣赏城市OPENAI_API_KEY="..."
的壮丽景色 2。沿着塞纳河享受浪漫的巡游，并欣赏河岸
的美丽建筑 3。探索卢浮宫，欣赏展示的世界知名艺术品
现在，如果您想重新使用此提示，则只需更改user_input变量即可。现在，我将其从巴黎改为墨西哥坎昆。查看输出的更改：输出
：1。在海滩上放松身心：享受白色的沙滩和加勒比海的水晶般清澈的水。
2。探索玛雅遗址：访问奇奇伊扎，图卢姆和科巴等古代考古遗址，以了解玛雅人的历史和文化。
3。参加美食之旅：品尝传统的口味，并通过参加坎昆的美食之旅来了解当地美食。
在多步工作流程中结合LLM和提示
在兰链上下文中链接是指将LLM与其他元素集成以构建应用程序的行为。几个示例包括：
>如果您想在Langchain中学习更多的高级概念，请查看有关Langchain和Langchain和GPT在Datacamp上构建AI应用程序的实时课程。 >不久前，Chatgpt的令人印象深刻的能力给我们留下了深刻的印象。但是，景观已经迅速发展，现在我们可以使用像Langchain这样的新开发人员工具，使我们能够在短短几个小时内在我们的个人笔记本电脑上创建类似的非凡原型。
如果您要跟上生成AI和LLM中的所有进步，请查看我们的Langchain和GPT Webinar的建筑AI应用程序。在这里，您将学习使用Langchain开发AI应用程序的基础知识，以及如何构建AI应用程序以及如何嵌入文本数据以获取高性能。您还可以在生成AI工具景观上查看我们的备忘单，以探索生成AI工具的不同类别，其应用程序以及它们在各个领域的影响。最后，查看我们顶级开源LLM的列表，以了解其他功能强大的工具。
通过使用第一llm的输出作为第二个LLM的输入（请参阅本节）
pip install langchain
：>证明您可以有效，负责任地使用AI。获得认证，被录用
以上是如何使用Langchain教程构建LLM应用程序的详细内容。更多信息请关注PHP中文网其他相关文章！