前言

LangChain 是一个用于开发由大型语言模型（Large Language Models，简称LLMs）驱动的应用程序的框架。

它提供了一个灵活的框架，使得开发者可以构建具有上下文感知能力和推理能力的应用程序，这些应用程序可以利用公司的数据和APIs。

这个框架由几个部分组成。

• LangChain 库：Python 和 JavaScript 库。包含了各种组件的接口和集成，一个基本的运行时，用于将这些组件组合成链和代理，以及现成的链和代理的实现。
• LangChain 模板：一系列易于部署的参考架构，用于各种任务。
• LangServe：一个用于将 LangChain 链部署为 REST API 的库。
• LangSmith：一个开发者平台，让你可以调试、测试、评估和监控基于任何 LLM 框架构建的链，并且与 LangChain 无缝集成。

LangChain本身并不开发LLMs，它的核心理念是为各种LLMs提供通用的接口，降低开发者的学习成本，方便开发者快速地开发复杂的LLMs应用。

这篇文章将在 Python 环境下使用 LangChain 框架，免费接入通用的大型语言模型，构建一个基础的 AI 聊天机器人。

废话不多说，直接进入正题。

LangChain 库

LangChain 框架的核心理念是将语言模型（如大型语言模型）与应用程序的其他部分无缝集成，以创建具有数据感知和自主性的智能应用程序。以下是 LangChain 的一些关键特点和组件：

1. 数据感知：LangChain 允许开发者将语言模型连接到各种数据源，使其能够理解和处理来自这些源的信息。
2. 自主性：通过 LangChain，语言模型可以与其环境交互，执行任务，如回答问题、执行命令或与用户进行交互。
3. 组件化：LangChain 提供了一个抽象层，使得开发者可以轻松地使用语言模型，无论他们是否使用 LangChain 框架的其他部分。这些组件是模块化的，易于使用和集成。
4. 现成的链：LangChain 提供了一系列结构化的组件集合，这些集合被称为“现成的链”，用于完成特定的高级任务。这使得开发者可以快速开始开发，而无需从头构建所有内容。
5. 易于定制和扩展：由于组件化的特性，LangChain 使得定制现有链或构建新链变得容易，以适应更复杂的应用程序和特定的用例。
6. 多种组件：LangChain 提供了多种组件，以支持不同的用例，包括但不限于：
   • 个人助理：创建能够执行任务和提供信息的虚拟助手。
   • 文档问答：开发能够理解和回答有关文档内容的问题的系统。
   • 聊天机器人：构建能够与用户进行自然对话的聊天机器人。
   • 查询表格数据：使应用程序能够查询和理解表格数据。
   • 与 API 交互：允许应用程序与外部 API 进行交互，以获取或发送数据。
   • 提取、评估和汇总：提供工具来提取信息、评估数据和汇总结果。

要使用 LangChain，开发人员需要导入必要的组件和工具，如语言模型(LLMs)、聊天模型(chat models)、代理(agents)、链(chains)和内存功能。这些组件可以组合起来创建一个能够理解、处理和响应用户输入的智能应用程序。

通过这种方式，LangChain 为开发人员提供了一个强大的平台，以构建和部署具有高级语言处理能力的应用程序。

安装langchain

shell复制代码pip install langchain==0.2.1  # 安装langchain
pip install langchain-community==0.2.1  # 安装第三方集成
pip install python-dotenv==1.0.1  # 使用 .env 文件来管理应用程序的配置和环境变量
pip install dashscope==1.19.2  # 安装灵积模型库

白嫖阿里云灵积模型服务

上周很多公司的大模型调用费用纷纷下调，而且一些活动给予的免费额度也是非常不错，以阿里为例：

这高低不得白嫖一番，不过海鸽之前已经开通，享受不到这波免费额度。

哭晕在厕所…

开通流程：搜索灵积模型服务，开通服务，生成阿里云灵积模型服务的apikey。

1. 访问DashScope管理控制台：前往控制台。

1. 在控制台“总览”页下，点击“去开通”。

1. 阅读服务协议，确认无误后点击“立即开通”。

1. 进入产品控制台，创建api-key

创建聊天机器人

导入相关包

python复制代码import os
from dotenv import find_dotenv, load_dotenv
from langchain_community.llms import Tongyi
from langchain_core.runnables import RunnableSequence
from langchain.prompts import PromptTemplate

load_dotenv(find_dotenv())
DASHSCOPE_API_KEY = os.environ["DASHSCOPE_API_KEY"]

创建一个 .env 文件

文件内容为阿里控制台生成的 apikey

shell

复制代码DASHSCOPE_API_KEY="sk-x9xxxxxxddxxxxxxxxxxx254e1xxxxx"

实例化 llm， 并赋予它一个角色

默认使用的模型（model_name）是qwen-plus，这里我改成qwen-turbo，当然你可以选择适合你自己的。

python复制代码class QwenTurboTongyi(Tongyi):
    model_name = "qwen-turbo"


class QwenMaxTongyi(Tongyi):
    model_name = "qwen-max"


def xiao_hei_zi():
    llm = QwenTurboTongyi(temperature=1)
    template = '''
        你的名字是小黑子,当有人问问题的时候,你都会在回答的开头加上'唱,跳,rap,篮球!\n\n',然后再回答{question}, 内容尽量详细
    '''
    prompt = PromptTemplate(
        template=template,
        input_variables=["question"]
    )
    chain = RunnableSequence(prompt | llm)
    question = '蔡徐坤是谁？'
    res = chain.invoke({"question": question})
    print(res)

运行

小结

这样，最简单的使用 LangChain 接入阿里通义千问大模型实现的聊天机器人算是初步完成，赶紧去白嫖吧。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的zi yuan得到学习提升
😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些P DF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.2.1 什么是Prompt
  • L2.2.2 Prompt框架应用现状
  • L2.2.3 基于GPTAS的Prompt框架
  • L2.2.4 Prompt框架与Thought
  • L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
  • L2.3.1 流水线工程的概念
  • L2.3.2 流水线工程的优点
  • L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
  • L3.1.1 Agent模型框架的设计理念
  • L3.1.2 Agent模型框架的核心组件
  • L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
  • L3.2.1 MetaGPT的基本概念
  • L3.2.2 MetaGPT的工作原理
  • L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
  • L3.3.1 ChatGLM的特点
  • L3.3.2 ChatGLM的开发环境
  • L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
  • L3.4.1 LLAMA的特点
  • L3.4.2 LLAMA的开发环境
  • L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习zhi nan已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓