使开发人员和研究人员能够创建、试验和分析语言模型和代理。它为自然语言处理 (NLP) 爱好者提供了丰富的功能，从构建自定义模型到高效操作文本数据。在这份综合指南中，我们将深入探讨 LangChain 的基本组件，并演示如何在 Python 中利用其强大功能。 Play Next Unmute Current Time 0:13 / Duration 2:00 Fullscreen Backward Skip 10s Play Video Forward Skip 10s 目录 准备工作 要阅读本文，请创建一个新文件夹并使用 pip 安装 LangChain 和 OpenAI： pip3 install langchain openai 代理商 在LangChain中，Agent是一个能够理解并生成文本的实体。这些代理可以配置特定的行为和数据源，并经过训练来执行各种与语言相关的任务，使其成为适用于各种应用程序的多功能工具。 创建LangChain代理 代理可以配置为使用“工具”来收集他们需要的数据并制定良好的响应。看看下面的例子。它使用Serp API（一种互联网搜索 API）在互联网上搜索与问题或输入相关的信息，并使用该信息做出响应。
它还使用该llm-math工具执行数学运算 - 例如，转换单位或查找两个值之间的百分 WhatsApp 号码列表 比变化索 API 搜索“2022 年全球风力涡轮机能源产量” 分析最佳结果 获取任何相关号码 使用该工具将 906 吉瓦转换为焦耳llm-math，因为我们要求的是能量，而不是功率 代理测试示例2 LangChain代理不仅限于搜索互联网。我们几乎可以将任何数据源（包括我们自己的数据源）连接到 LangChain 代理，并向其询问有关数据的问题。让我们尝试创建一个在 CSV 数据集上训练的代理。 从 Kaggle 上的 SHIVAM BANSAL下载此Netflix 电影和电视节目数据集，并将其移动到您的目录中。现在将此代码添加到新的 Python 文件中： from langchain.llms import OpenAI from langn how many movies was Christian Bale casted") 此代码调用该create_csv_agent函数并使用netflix_titles.csv数据集。下图显示了我们的测试。 测试 CSV 代理 如上所示，其逻辑是在cast列中查找所有出现的“Christian Bale”。
测试 Pandas Dataframe 代理逻辑 测试 Pandas Dataframe 答案 这些只是几个例子。我们几乎可以在 LangChain 中使用任何 API 或数据集。 楷模 LangChain中的模型分为三种类型：LLM、聊天模型和文本嵌入模型。让我们通过一些示例来探讨每种类型的模型。 语言模型 LangChain提供了一种使用Python中的语言模型根据文本输入产生文本输出的方法。它不像聊天模型那么复杂，最适合简单的输入输出语言任务。这是使用 OpenAI 的示例： from langchain.llms import OpenAI import os os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY" llm = OpenAI(model="gpt-3.5-turbo", temperature=0.9) print(llm("Come up with a rap name for Matt Nikonorov")) 如上所示，它使用gpt-3.5-turbo模型为提供的输入生成输出（“为 Matt Nikonorov 起一个说唱名字”）。在此示例中，我将温度设置为0.9以使法学硕士真正具有创意。它想出了“MC MegaMatt”。我会给它打 9/10 分。
发表于 2024-1-9 15:20:50
