分類目錄：《大模型從入門到應用》總目錄
LangChain系列文章：
- 基礎知識
- 快速入門
- 安裝與環(huán)境配置
- 鏈（Chains）、代理（Agent:）和記憶（Memory）
- 快速開發(fā)聊天模型
- 模型（Models）
- 基礎知識
- 大型語言模型（LLMs）
- 基礎知識
- LLM的異步API、自定義LLM包裝器、虛假LLM和人類輸入LLM（Human Input LLM）
- 緩存LLM的調(diào)用結(jié)果
- 加載與保存LLM類、流式傳輸LLM與Chat Model響應和跟蹤tokens使用情況
- 聊天模型（Chat Models）
- 基礎知識
- 使用少量示例和響應流式傳輸
- 文本嵌入模型
- Aleph Alpha、Amazon Bedrock、Azure OpenAI、Cohere等
- Embaas、Fake Embeddings、Google Vertex AI PaLM等
- 提示（Prompts）
- 基礎知識
- 提示模板
- 基礎知識
- 連接到特征存儲
- 創(chuàng)建自定義提示模板和含有Few-Shot示例的提示模板
- 部分填充的提示模板和提示合成
- 序列化提示信息
- 示例選擇器（Example Selectors）
- 輸出解析器（Output Parsers）
- 記憶（Memory）
- 基礎知識
- 記憶的類型
- 會話緩存記憶、會話緩存窗口記憶和實體記憶
- 對話知識圖譜記憶、對話摘要記憶和會話摘要緩沖記憶
- 對話令牌緩沖存儲器和基于向量存儲的記憶
- 將記憶添加到LangChain組件中
- 自定義對話記憶與自定義記憶類
- 聊天消息記錄
- 記憶的存儲與應用
- 索引（Indexes）
- 基礎知識
- 文檔加載器（Document Loaders）
- 文本分割器（Text Splitters）
- 向量存儲器（Vectorstores）
- 檢索器（Retrievers）
- 鏈（Chains）
- 基礎知識
- 通用功能
- 自定義Chain和Chain的異步API
- LLMChain和RouterChain
- SequentialChain和TransformationChain
- 鏈的保存（序列化）與加載（反序列化）
- 鏈與索引
- 文檔分析和基于文檔的聊天
- 問答的基礎知識
- 圖問答（Graph QA）和帶來源的問答（Q&A with Sources）
- 檢索式問答
- 文本摘要（Summarization）、HyDE和向量數(shù)據(jù)庫的文本生成
- 代理（Agents）
- 基礎知識
- 代理類型
- 自定義代理（Custom Agent）
- 自定義MRKL代理
- 帶有ChatModel的LLM聊天自定義代理和自定義多操作代理（Custom MultiAction Agent）
- 工具
- 基礎知識
- 自定義工具（Custom Tools）
- 多輸入工具和工具輸入模式
- 人工確認工具驗證和Tools作為OpenAI函數(shù)
- 工具包（Toolkit）
- 代理執(zhí)行器（Agent Executor）
- 結(jié)合使用Agent和VectorStore
- 使用Agents的異步API和創(chuàng)建ChatGPT克隆
- 處理解析錯誤、訪問中間步驟和限制最大迭代次數(shù)
- 為代理程序設置超時時間和限制最大迭代次數(shù)和為代理程序和其工具添加共享內(nèi)存
- 計劃與執(zhí)行
- 回調(diào)函數(shù)（Callbacks）
在《自然語言處理從入門到應用——LangChain：快速入門》系列文章中我們會用最簡練的語言與示例帶領(lǐng)大家快速調(diào)試并上手LangChain，讀者讀完本系列的文章后，就會對LangChain有一個大致的了解并可以將LangChain運用到自己開發(fā)的程序中。但如果讀者想對LangChain的各個模塊進行更深入的了解，可以繼續(xù)學習《自然語言處理從入門到應用——LangChain》系列文章。本文主要是闡述了LangChain的安裝與環(huán)境配置過程，最后還會帶領(lǐng)讀者通過LangChain搭建一個簡單的LLM模型。
安裝
使用以下命令安裝 LangChain:
pip install langchain
或者：
conda install langchain -c conda-forge
環(huán)境設定
使用LangChain通常需要與一個或多個模型提供程序、數(shù)據(jù)存儲、 API 等集成。對于這個例子，我們將使用OpenAI的API，所以我們首先需要安裝OpenAI的SDK:
pip install openai
然后我們需要在終端設置環(huán)境變量：
export OPENAI_API_KEY="..."
或者，我們也可以在Jupyter Notebook或Python腳本內(nèi)完成：
import os
os.environ["OPENAI_API_KEY"] = "..."
如果想動態(tài)設置API密鑰，我們還可以在初始化OpenAI類時使用openai_api_key參數(shù)：
from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="OPENAI_API_KEY")
構(gòu)建語言模型應用程序: LLM
現(xiàn)在我們已經(jīng)安裝了LangChain并設置了我們的環(huán)境，我們可以開始構(gòu)建我們的語言模型應用程序了。LangChain提供了許多可用于構(gòu)建語言模型應用程序的模塊。模塊可以組合起來創(chuàng)建更復雜的應用程序，或者單獨用于簡單的應用程序。
LLM：從語言模型中獲取預測
LangChain最基本的構(gòu)建塊是對某些輸入調(diào)用LLM。假設我們正在構(gòu)建一個基于公司產(chǎn)品生成公司名稱的服務。為此，我們首先需要導入LLM包裝器：
from langchain.llms import OpenAI
LLM初始化和調(diào)用
然后我們可以用任何參數(shù)初始化包裝器。在這個例子中，我們可能希望輸出更加隨機，所以我們將以溫度（Temperature）為0.9來初始化它。
llm = OpenAI(temperature=0.9)
我們現(xiàn)在可以根據(jù)一些輸入調(diào)用它：
text = "What would be a good company name for a company that makes colorful socks?"
print(llm(text))
輸出：
Feetful of Fun
關(guān)于如何在LangChain中使用LLM，《自然語言處理從入門到應用——LangChain》系列的后續(xù)文章會有詳細的闡述。
提示模板（PromptTemplate）: 管理 LLM 的提示
調(diào)用LLM是第一步，但這僅僅是個開始。通常在應用程序中使用LLM時，不會將用戶輸入直接發(fā)送到LLM。相反，我們更可能的是接受用戶輸入并構(gòu)造一個提示符，然后將其發(fā)送給LLM。例如，在前一個示例中，我們傳入的文本被硬編碼為詢問一家生產(chǎn)彩色襪子的公司的名稱。在這個虛構(gòu)的服務中，我們希望只獲取描述公司業(yè)務的用戶輸入，然后用這些信息格式化提示符。如果使用LangChain，這個事情將會變得很簡單。首先讓我們定義提示模板:
from langchain.prompts import PromptTemplate
prompt = PromptTemplate(
input_variables=["product"],
template="What is a good name for a company that makes {product}?",
)
我們可以調(diào)用.format方法來格式化它。
print(prompt.format(product="colorful socks"))
輸出：文章來源：http://www.zghlxwxcb.cn/news/detail-541349.html
What is a good name for a company that makes colorful socks?
參考文獻：
[1] LangChain ????? 中文網(wǎng)，跟著LangChain一起學LLM/GPT開發(fā)：https://www.langchain.com.cn/
[2] LangChain中文網(wǎng) - LangChain 是一個用于開發(fā)由語言模型驅(qū)動的應用程序的框架：http://www.cnlangchain.com/文章來源地址http://www.zghlxwxcb.cn/news/detail-541349.html
到了這里，關(guān)于自然語言處理從入門到應用——LangChain：快速入門-[安裝與環(huán)境配置]的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
