你好，我是郭震
现在或未来最火的无疑是AI大模型开发，现在去boss直聘，随便一搜大模型开发，岗位薪资是下面这样的。工资高，还有前景，这不就是风口吗。
AI大模型开发中最重要的一个框架就是LangChain，今天我们先来看看它的简介和基础用法。

LangChain 框架简介

LangChain 是一个用于简化和扩展大型语言模型（LLMs）开发的 Python 框架。它提供了多种工具和组件来构建复杂的应用，帮助开发者将 LLMs 与各种数据源和工具集成。

基础组件

LangChain 的几个关键组件有：
  1. Chains（链） Chains 允许开发者将一系列操作组合在一起以实现复杂的工作流。链中的每一步通常会调用不同的模型或工具。
   from langchain.chains import SimpleSequentialChain

   from langchain.prompts import PromptTemplate

   from langchain.llms import OpenAI


# 定义 PromptTemplate
   prompt = PromptTemplate(input_variables=[
"input"
], template=
"Tell me a joke about {input}."
)


# 使用 OpenAI 模型
   llm = OpenAI()


# 创建一个简单的链
   chain = SimpleSequentialChain(chains=[llm], input_prompt=prompt)

   joke = chain.run(input=
"cats"
)

print
(joke)

  1. Agents（代理） 代理是一种能够根据输入自主选择执行哪些操作的组件。代理通常可以调用工具或查询信息来执行复杂的任务。
 from langchain.agents import initialize_agent, Tool

 from langchain.llms import OpenAI


# 定义工具
 tools = [

     Tool(

         name=
"Calculator"
,

         func=lambda x: 
eval
(x),

         description=
"Performs basic arithmetic operations."
     )

 ]


# 创建代理
 llm = OpenAI()

 agent = initialize_agent(tools, llm, agent_type=
"zero-shot-react-description"
)

 result = agent.run(
"What is 2 + 2?"
)

print
(result)

  1. Memory（记忆） Memory 是为模型添加上下文记忆的组件，可以使代理或链在多轮对话中保持上下文。
 from langchain.memory import ConversationBufferMemory

 from langchain.llms import OpenAI

 from langchain.chains import ConversationChain


# 创建记忆组件
 memory = ConversationBufferMemory()


# 创建对话链
 llm = OpenAI()

 conversation = ConversationChain(llm=llm, memory=memory)

 conversation.run(
"Hello, I'm a student."
)

 response = conversation.run(
"Can you recommend any good books?"
)

print
(response)

  1. Tools（工具） Tools 是帮助代理执行特定任务的插件。可以是计算器、搜索引擎或数据库查询。

总结

LangChain 提供了一套完整的组件来简化 LLM 应用的开发。通过 Chains 组织工作流、利用 Agents 实现自主决策、用 Memory 保持上下文以及通过 Tools 扩展功能，开发者可以轻松构建功能丰富的 LLM 应用。
1 发送 llm，免费获取《大模型从理论到实践》.PDF
2 我打造的Python人工智能全栈课（超700节视频课）已上线，长按二维码查看，咨询或报名请加我微信：gz113097485
继续阅读
阅读原文