【AI大模型应用开发】【LangChain系列】实战案例1：用LangChain写Python代码并执行来生成答案

已于 2024-03-22 13:40:07 修改
阅读量2.6k 收藏 27
点赞数 16
分类专栏： 大模型 文章标签： langchain python 人工智能 笔记 经验分享 gpt agi
于 2024-03-08 07:00:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Attitude93/article/details/136272444
版权
  • 大家好，我是同学小张，日常分享AI知识和实战案例
  • 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。
  • +v: jasper_8017 一起交流💬，一起进步💪。
  • 微信公众号也可搜【同学小张】 🙏

本站文章一览：

在这里插入图片描述

本文通过一个案例来学习下如何让 LangChain 写代码并自动执行输出结果。

本文案例来自：https://python.langchain.com/docs/expression_language/cookbook/code_writing

0. 完整代码

先来跑通demo代码

f
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【AI大模型应用开发】【LangChain系列】实战案例4：再战RAG问答，提取在线网页数据，并返回生成答案的来源
同学小张的博客
03-12 3399
本文利用 LangChain 实现了一个完整的问答RAG应用。其中RAG中的数据源采用加载网页数据的形式获取，而不是采用之前实践中传统的本地知识库（加载本地PDF文件）的方式。然后我们还在RAG的返回中增加了参考文本的输出，这是之前我们没有实践过的，算是一点新知识。在实现这个功能的过程中，最主要的是学会使用 LangChain 中提供的 `RunnablePassthrough` 和 `RunnableParallel` 进行值的传递。
【AI大模型应用开发】【LangChain系列】实战案例6：利用大模型进行文本总结的方法探索，文本Token超限怎么办？
同学小张的博客
03-26 3287
假设有一组文档（PDF、Notion页面、客户问题等），你想要总结内容。可以利用大模型来帮你。今天来系统看下利用大模型来对文本进行总结的方法，以LangChain的使用为例。
Langchain如何自动执行python代码 | AI应用开发
python1222_的博客
12-06 1844
在当今的数据科学和人工智能领域，自动化代码生成与执行已成为提升效率与灵活性的重要手段。本文将详细介绍如何使用LangChain中的PythonREPL功能，实现大型语言模型（LLM）生成代码，并自动执行这些代码。通过这一流程，我们能够让大模型生成代码，然后通过代码执行来获取大语言模型通过文本生成本身不能很好完成的任务，特别是一些计算任务。首先，确保你的开发环境中已安装LangChain及其相关依赖。若尚未安装，可通过pip轻松完成： 此外，还需配置好Python解释器及所需库（如datetime等），以确保
构建LangChain应用程序的示例代码：27、FLARE：前瞻性主动检索增强生成技术实现与应用的示例
Hugo的博客
06-10 1996
基本上，模型不确定的标记会被突出显示，然后调用一个大型语言模型（LLM）生成一个会导致该答案的问题。例如，如果生成的文本是“Joe Biden went to Harvard”，模型不确定的标记是“Harvard”，那么一个生成的好问题可能是“Joe Biden 上的哪所大学？FLARE 是一种结合了前瞻性主动检索和生成的技术，它通过在生成过程中检索相关信息来增强语言模型的生成能力。FLARE 的核心思想是在生成过程中，当模型对某些标记不确定时，通过检索相关文档来辅助生成更准确的答案。
Python+LLM实战：LangChain本地AI知识库搭建全攻略
最新发布
远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享
04-24 915
在本次探索中，我们借助 Python 和 LangChain 成功搭建了本地 AI 知识库，这一过程涵盖了多个关键环节。首先是数据加载，通过 LangChain 丰富的 loader 组件，如DirectoryLoader和TextLoader，我们能够轻松地将本地各种格式的文本数据，包括.txt、.pdf等文件，加载到系统中，为后续处理奠定基础。
2024 年最新 Python 基于 LangChain 框架基础案例详细教程（更新中）
唤醒手腕
06-18 4069
AI 套件是腾讯云向量数据库（Tencent Cloud VectorDB）提供的一站式文档检索解决方案，包含自动化文档解析、信息补充、向量化、内容检索等能力，并拥有丰富的可配置项，助力显著提升文档检索召回效果。用户仅需上传原始文档，数分钟内即可快速构建专属知识库，大幅提高知识接入效率。
LangChain轻松入门和开发实践
2401_82469710的博客
06-21 689
LangChain是一个开发语言模型应用的框架。LangChain能够简化开发与语言模型工作流中的复杂部分，帮助开发人员能够更轻松地进行开发，并定制满足需求的应用。LangChain有两大优点，一是它能将外部数据，如文件、其他应用、API数据等，无缝地集成到语言模型中；二是它通过代理功能，让语言模型能够与环境进行交互，实现决策制定。通过这种方式，可以让语言模型帮助决定下一步的行动，特别是在路径不明确或未知的情况下。在本专栏中，我们将探讨 LangChain 的独特特性，包括其组件和针对特定用例的链。
大模型框架LangChain开发实战（一）
m0_49380401的博客
08-21 849
你可以认为LangChain是大模型开发时代的operating system，因为它驱动了所有模块和数据的相互交互。在这样的一个框架中，有这样一个东西称作agent，目前来看agent还是一个很开放的领域，其本身的作用是基于模型驱动的做事情的具体过程，来在适当的时候使用工具或者本地数据，或者第三方数据来完成模型设定的步骤，这样的一个agent具有动态调整的过程，可以把它看成一个loop，它既能与模型，数据，工具进行交互，又能处理异常，以及评估整个系统的行为。
大模型框架LangChain开发实战（二）
m0_49380401的博客
08-22 911
本项目是以对话的方式来获取notion上面的数据，这是一件有价值的事情，这是因为随着时间的推移，notion上面的数据会越来越多，那么这时直接去notion上查询或者定位信息是一个很费时费力的过程，如果我们使用一个简单的接口，以自然语言的方式通过LangChain以模型驱动为基础来与企业私有数据进行交互，这对提升团队协作效率等很有帮助。-refine（把文件切成多个片段时，分析第二个片段时会结合第一个片段的内容）-map reduce（数据切分，适用于大数据文件）一、关于数据的准备及项目背景。
【AI大模型应用开发】【LangChain系列】实战案例5：用LangChain实现灵活的Agents+RAG，该查时查，不该查时就别查
同学小张的博客
03-15 2546
如何优化这个过程，让我们的RAG程序在必要时才去检索，不必要时，直接使用大模型原有数据来回答呢？本文我们一起来学习下。本文我们将使用 LangChain 的 Agents 模块来将 Retriever 当作工具，让大模型在有必要时才去使用它。
【AI大模型应用开发】【LangChain系列】1. 全面学习LangChain输入输出I/O模块：理论介绍+实战示例+细节注释
同学小张的博客
02-05 2289
LangChain的输入输出模块的封装，包括Prompt模板、大模型接口、输出解析器的封装。本文带你全面学习这些模块，通过介绍+实战，对这些模块的用法和作用有深刻的认识。
人工智能学习与实训笔记（九）：Langchain + 百度大模型实战案例
weixin_45512098的博客
10-12 2576
人工智能子Langchain流程介绍：
构建LangChain应用程序的示例代码：21、结合使用 Langchain、Activeloop 的 Deep Lake 和 GPT4（QA using Activeloop‘s DeepLake）
Hugo的博客
06-07 408
本文介绍了如何结合使用 Langchain、Activeloop 的 Deep Lake 和 GPT4 进行语义搜索和群聊中的问答。首先，介绍了安装所需软件包的步骤，然后指导如何添加 API 密钥，并创建示例群聊数据。接着，详细解释了如何将聊天内容分块并上传到 ActiveLoop 向量存储中。此外，还提供了一个可选步骤，介绍了如何使用 Deep Lake 的托管张量数据库作为托管服务来运行查询。最后，展示了如何通过语义搜索提出问题并获取答案。
大模型开发实战：使用 LangChain 构建本地知识库应用
2301_76168381的博客
03-20 1307
LangChain 是一个大语言模型（LLM）
LangChain实践1-使用 LangChain 开发应用程序
u010479989的博客
02-05 517
print("第一个客户客户消息类型类型:", type(customer_messages[0]),"\n")并将它们输出为逗号分隔的 Python 列表")print("第一个客户客户消息类型类型: ", customer_messages[0],"\n")print("客户消息类型:",type(customer_messages),"\n")print("结果类型:", type(response.content))print("结果类型:", type(response.content))
构建LangChain应用程序的示例代码：2、使用LangChain库实现的AutoGPT示例：查找马拉松获胜成绩
Hugo的博客
05-31 395
使用LangChain基础组件（大型语言模型(LLMs)、提示模板(PromptTemplates)、向量存储(VectorStores)、嵌入(Embeddings)、工具(Tools)）。
LangChain 实战教程：构建带记忆的聊天机器人
python123456_的博客
02-10 1309
复制后 格式化下 填入环境变量即可运行在传统聊天机器人中，对话往往是“无状态”的——每次对话都独立处理，无法记住上下文。本教程将使用LangChain框架，构建一个能够记住对话历史的智能聊天机器人。
AI大模型企业应用实战：Prompt让LLM理解知识
2401_84204413的博客
06-25 2608
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
LLM大模型技术实战：一文带你入门大模型开发框架Langchain
程序员鑫港的博客
01-22 753
LangChain是一个专门为LLM应用开发设计的框架，旨在简化LLM应用的开发难度。它将LLM的各个组件进行封装和链接，提供了一个统一的开发环境，让开发者可以更加便捷地进行LLM应用的开发。从某种程度上来说，LangChain类似于Java开发中的Spring或SpringBoot框架，为开发者提供了丰富的工具和库，帮助开发者快速构建出功能强大的LLM应用。模块化设计：LangChain框架采用了模块化设计，将LLM应用的各个组件拆分成独立的模块，方便开发者进行模块化的开发和维护。
大模型应用开发的实战项目
02-12
### 大模型应用开发实战项目案例与教程 #### 使用大模型构建智能客服系统 通过《大模型项目实战：多领域智能应用开发》，可以学习到如何利用大型预训练语言模型来创建一个能够处理多种客户查询的智能客服系统[^1]。书中不仅涵盖了基础知识，还提供了详细的实现指南。 ```python from langchain import PromptTemplate, LLMChain from transformers import pipeline def create_customer_service_bot(): nlp_pipeline = pipeline('text-generation', model='gpt-neo-2.7B') template = """You are a customer service representative. Answer the following question based on company policy and knowledge base: {question}""" prompt = PromptTemplate(template=template, input_variables=["question"]) llm_chain = LLMChain(prompt=prompt, llm=nlp_pipeline) return llm_chain ``` 此代码片段展示了如何基于`transformers`库中的文本生成pipeline和LangChain框架下的提示模板及链式逻辑，快速搭建起一个简单的客户服务聊天机器人原型。 #### 构建个性化推荐系统的实例分析 在极客时间AI大模型应用开发实战营中提到过，借助于先进的自然语言理解和生成能力，可以为用户提供更加精准的商品或内容建议服务[^2]。具体来说就是采用协同过滤算法结合深度神经网络来进行特征提取，并最终由强大的LLM完成解释说明工作。 #### 利用Agent模块自动化任务流控制 根据AI大模型应用开发实战营的内容，在面对复杂业务场景时，可以通过定义自定义agent来自适应调整不同阶段所需的操作序列[^3]。这种方式允许开发者更灵活地应对各种变化情况而不必每次都重写整个程序流程。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

同学小张

如果觉得有帮助，欢迎给我鼓励！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值