一文解析如何基于 LangChain 构建 LLM 应用程序

Langchain 和 Chroma 的集成 阅读详情

今天我们继续来聊一下人工智能(AI)生态领域相关的技术 - LangChain ,本文将继续聚焦在针对 LangChain 的技术进行剖析,使得大家能够了解 LangChain 实现机制以便更好地对利用其进行应用及市场开发。

 在日新月异的人工智能领域,语言模型已经成为舞台主角,重新定义了人机交互的方式。ChatGPT 的广泛认可以及 Google 等科技巨头纷纷推出类似产品,使语言模型,尤其是 LLM,成为科技界瞩目焦点。

 从某种意义上来讲,LLM 代表了人工智能理解、解释和生成人类语言能力的重大飞跃,经过海量文本数据的训练,能够掌握复杂的语言模式和语义细微差别。凭借前所未有的语言处理能力,LLM 可以帮助用户以卓越的准确性和效率生成高质量内容。

 而 LangChain 作为一个围绕 LLM 构建的框架,为自然语言处理方面开辟了一个充满可能性的新世界,可以创建各种应用程序,并能够有效解决文本生成、情感分析以及语言翻译等难题,极大地释放了 LLM 的潜力。

在这里插入图片描述

— 01 —

什么是 LangChain ?

 作为一款开源的 Python 框架,LangChain 旨在促进基于 LLM 的应用程序开发。基于所提供了一套工具、组件和接口等套件,LangChain 简化了以 LLM 为核心的应用程序的构建过程。通过 LangChain,开发人员能够轻松管理与语言模型的交互,无缝连接不同的组件,并集成 API 和数据库等资源。

 此外,借助 LangChain 技术,我们能够构建出一系列应用程序,这些应用程序能够生成创新性且与上下文相关的内容。无论是撰写博客文章、产品描述,与聊天机器人对话,还是生成问答(GQA)和摘要等,利用 LLM 的应用程序开发变得更加简便高效。

图:LangChain Github Star 历史(由 star-history.com 生成)

从另一角度而言,这种基于 LangChain 的技术应用使得开发人员可以利用 LangChain 提供的强大语言模型能力,快速开发出符合用户需求的应用,从而提升用户体验并节约开发时间和成本。  

— 02 —

LLM 的局限性与 LangChain 的解决方案

 在实际的场景中,LLM 擅长在常规上下文下对提示做出响应,但在未接受过训练的特定领域却会遇到挑战。Prompts 则是人们用来引导 LLM 生成回复的查询。为了让 LLM 在特定领域发挥更佳效果,机器学习工程师需要将其与组织内部数据来源整合,并应用提示工程技术。

 LangChain 的出现简化了开发数据响应式应用程序的中间步骤,并提高了 Prompt Engineering 的效率。同时,提供了一套易用、直观的工具和界面,使开发人员能够轻松地将 LLM 与数据源和提示工程技术进行整合。  

 作为一项重要技术,那么,LangChain 具备哪些核心的优势呢?

 1、重新发挥语言模型的作用

 借助 LangChain,组织可以将 LLM 的能力重新用于特定领域的应用程序,而无需重新培训或微调。开发团队可以构建引用专有信息的复杂应用程序,从而增强模型的响应能力。举例来说,我们可以利用 LangChain 构建应用程序,从存储的内部文档中检索数据,并将其整合为对话响应。我们还可以创建 RAG (检索增强生成) 工作流程,在提示期间向语言模型引入新信息。通过实施 RAG 和其他上下文感知工作流程,可以减少模型产生的幻觉,提高响应的准确性。

 2、简化人工智能开发

 LangChain 通过简化数据源集成的复杂性并快速提炼,简化了 AI 开发过程。开发人员可以自定义序列,快速构建复杂的应用程序。软件团队可以修改 LangChain 提供的模板和库,以减少开发时间,而不必从头编写业务逻辑。

 3、开发者支持

 LangChain 为 AI 开发者提供了连接语言模型和外部数据源的工具。毕竟,它是开源的,并得到活跃社区的支持。组织可以免费使用 LangChain,并获得其他熟悉该框架的开发人员的支持。

— 03 —

LangChain 的核心组件解析

 LangChain 的独特之处之一便是其灵活性和模块化。通过将自然语言处理管道分解为单独的组件,开发人员可以轻松混合和匹配这些构建块,以创建满足其特定需求的自定义工作流程,从而使得 LangChain 成为一个高度适应性的框架,可用于为广泛的用例和行业构建对话式人工智能应用程序。

 LangChain 是提供了一组模块,能够构建完整的 LLM(Language Model)应用程序管道,并与各种数据加载器、向量存储和 LLM 提供程序等进行广泛的集成。LangChain的主要核心组件可参考如下图所示:  

LangChain 关键组件‍‍‍‍

 1、Model I/O  

‍‍

 LangChain 的核心是强大的语言模型(LLM),使应用程序能够理解和生成类似人类的文本。通过 LangChain,开发人员能够出色地完成各种与语言相关的任务。无论是理解用户查询、生成响应,还是执行复杂的语言任务,LangChain 的模型都是语言处理能力的支柱。  

 Models 模块负责管理与语言模型的交互。LangChain 支持一系列 LLM,包括 GPT-3、OpenAI 等。开发者可以使用 Models 模块来管理 LLM 的配置,例如设置温度、top-p 等参数。模型模块对于提高 LLM 的能力并使开发人员能够构建可生成创意和上下文相关内容的应用程序至关重要。  
from langchain.llms import OpenAI``llm = OpenAI(model_name="text-davinci-003")``   ``# The LLM takes a prompt as an input and outputs a completion``prompt = "When can I achieve financial freedom?"``completion = llm(prompt)
 2、Chains

 Chains 模块在应用程序中负责链接不同的组件,开发人员可以利用 Chains 模块创建链式结构,将提示、模型和其他应用程序组件有机地连接在一起。这种链式结构对于构建需要多个组件协同工作的复杂应用程序至关重要。

 通过 Chains 模块,开发人员可以灵活组合和配置不同的组件,形成一个完整的应用程序管道,实现高度定制化的功能和逻辑。
chain = LLMChain(llm = llm, ``                  prompt = prompt)``   ``chain.run("ai")
 3、Agents  

 Agents 模块在应用程序中承担了管理应用程序与外界之间交互的重要角色。通过使用 Agents 模块,开发人员可以构建各种类型的应用程序,如个人助理、智能聊天机器人等。这些应用程序可以基于语音或文本输入进行交互,并通过分析和理解输入数据来提供相应的响应和服务。

 Agents 模块为开发人员提供了一个灵活、可扩展的工具,使他们能够轻松构建具有交互功能的应用程序,为用户提供个性化、智能化的体验。  
class Agent:``   `    `def __init__(self, config):`        `self.config = config`        `self.chain = Chain(config)`        `self.proxy = Proxy(config)`        `self.memory = Memory(config)`        `self.callback = Callback(config)``   `    `def parse_input(self, input):`        `# 解析用户的输入和上下文信息`        `...
 4、Memory

 LangChain 的 Memory 模块承担了数据存储的管理任务。通过使用 Memory 模块,开发人员可以轻松地存储和检索各种类型的数据,如文本、图像、音频等。

 Memory 模块提供了高度可扩展的存储机制,可以适应不同规模和类型的数据存储需求。开发人员可以根据应用程序的需要,灵活地组织和管理存储的数据,以满足应用程序的要求。  
conversation = ConversationChain(llm=llm, verbose=True)``conversation.predict(input="I am the last one.")``conversation.predict(input="he is first.")``conversation.predict(input="She is third from the bottom")``   
 5、Retrieval

 以 ‍‍Indexes 组件为例,Indexs 模块在应用程序中承担了数据索引的管理任务。开发人员可以利用 Indexs 模块创建用于搜索和检索数据的索引结构。Indexs 模块对于构建需要进行数据搜索和检索的应用程序至关重要。

 使用 Indexs 模块,开发人员可以根据应用程序的需求创建不同类型的索引,如文本索引、关键词索引等。这些索引结构可以针对特定的数据属性或特征进行优化,以实现更快速和精确的数据搜索和检索。开发人员可以根据数据的特点和应用程序的需求,灵活地配置和管理索引结构。
retriever = db.as_retriever()``   ``qa = RetrievalQA.from_chain_type(`    `llm=llm,``     chain_type="stuff",  ``     retriever=retriever,  ``    return_source_documents=True)``   ``query = "Forgive me for my unruly, indulgent love of freedom in this life?"``result = qa({"query": query})``   ``print(result['result'])
 6、Calbacks

 LangChain 提供了一个回调系统,使的我们能够连接到 LLM 请求的不同阶段。这个回调系统对于日志记录、监控、流传输和其他任务非常有用。

 通过使用这些回调函数,我们可以灵活地控制和管理 LLM 请求的各个阶段。同时,还可以根据应用程序的需求,自定义回调函数的行为,以实现特定的功能和逻辑。
class BaseCallbackHandler:`    `"""Base callback handler that can be used to handle callbacks from langchain."""``   `    `def on_llm_start(`        `self, serialized: Dict[str, Any], prompts: List[str], **kwargs: Any`    `) -> Any:`        `"""Run when LLM starts running."""``   `    `def on_chat_model_start(`        `self, serialized: Dict[str, Any], messages: List[List[BaseMessage]], **kwargs: Any`    `) -> Any:`        `"""Run when Chat Model starts running."""``   `    `def on_llm_new_token(self, token: str, **kwargs: Any) -> Any:`        `"""Run on new LLM token. Only available when streaming is enabled."""``   
 通过对上述关键组件的解析,我们可以大致了解 LangChain 的工作原理和流程,即将 Agents、Memory、Indexs 和回调系统等关键组件结合起来,实现应用程序与外界的交互、数据的存储和索引,以及自定义操作的执行。

 这种组合使得 LangChain 能够构建出强大、灵活的应用程序,为用户提供个性化、智能化的体验。具体可参考如下工作流:

LLM LangChain 工作流程

‍‍‍‍‍

— 04 —

使用 LangChain 进行 LLM 应用程序构建

 在开始之前,我们需要确保正确安装 LangChain 的软件包,并按照指南进行设置和配置。这包括安装所需的编程语言环境(如Python)、安装 LangChain 的相关库和依赖项,并进行必要的配置和设置,以确保 LangChain 可以正常运行。

 一旦安装和设置完成,我们可以开始导入和使用 LLM。为了有效使用 LLM,我们需要导入适当的库和依赖项,以便在应用程序中能够调用和使用 LLM 的功能。  

 1、设置 LangChain 

 这里,主要为 LangChain 环境设置相关的依赖库,具体可参考如下:
import langchain``import openai``import os``import IPython``from langchain.llms import OpenAI``from dotenv import load_dotenv``from langchain.chat_models import ChatOpenAI``from langchain.schema import (`    `AIMessage,`    `HumanMessage,`    `SystemMessage``)``from langchain.embeddings import OpenAIEmbeddings``from langchain.chains import LLMChain``from langchain.chains import RetrievalQA``from langchain import ConversationChain``   ``load_dotenv()``# API configuration``openai.api_key = os.getenv("OPENAI_API_KEY")
 2、初始化 LLM

 要在 LangChain 中初始化 LLM,首先需要导入必要的库和依赖项。如果大家使用 Python 编程语言,我们可以导入名为 "langchain" 的库,并指定要使用的语言模型。

 以下是一个示例代码片段,展示了如何导入 "langchain" 库和初始化 LLM,具体可参考:  
# 导入必要的库和依赖项``import langchain``   ``# 指定要使用的语言模型``language_model = "gpt3.5-turbo"  # 这里使用 GPT-3.5 Turbo 模型作为示例``   ``# 初始化 LLM``llm = langchain.LLM(language_model)``   ``# 接下来,可以使用 llm 对象来调用和使用 LLM 的各种功能和方法``# 例如,可以使用 llm.generate() 方法生成文本,或使用 llm.complete() 方法进行自动补全等``   ``# 示例:使用 LLM 生成文本``prompt = "Hello, LangChain!"``response = llm.generate(prompt)``print(response)
 3、输入 Prompts  

 初始化 LLM 后,我们可以通过输入提示来生成文本或获取响应。Prompts 是语言模型生成文本的起点。根据需求,我们可以提供单个或多个 Prompts。以下是一个简单的示例:
# 初始化 LLM``llm = langchain.LLM(language_model)``   ``# 提供单个提示``prompt = "Once upon a time"``response = llm.generate(prompt)``print(response)``   ``# 提供多个提示``prompts = [`    `"The sun is shining",`    `"In a galaxy far, far away",`    `"Once upon a time"``]``responses = llm.generate(prompts)``for response in responses:`    `print(response)
 4、检索生成的文本或响应

 输入 Prompts 后,我们可以从 LLM 中检索生成的文本或响应。生成的文本或响应将基于所提供的 Prompts,以及语言模型所具备的上下文理解和语言生成的功能。

 当我们提供一个或多个 Prompts 时,LLM 会使用这些 Prompts 作为起点,并借助语言模型的能力来生成相关的文本。语言模型会考虑 Prompts 中的上下文信息,以及其在训练数据中学习到的语言规律和概率分布。这样,生成的文本将会在一定程度上与 Prompts 相关,并且具备一定的语法合理性和连贯性。  
# Print the generated text``print(generated_text)``   ``# Print the responses``for response in responses:`    `print(response)
 总而言之,通过遵循上述步骤并实现相应的代码,我们可以无缝地使用 LangChain 和预训练的 LLM,充分利用它们在文本生成和理解任务上的能力。这为我们解决各种自然语言处理问题提供了一种高效且灵活的方法。无论是开发智能对话系统、构建文本生成应用,还是进行文本理解和分析,LangChain 和预训练的 LLM 都将成为有力的工具和技术基础。  

 综上所述,在构建支持 LLM 的应用程序方面,LangChain 为我们开辟了一个充满无限可能性的世界。如果大家对文本完成、语言翻译、情感分析、文本摘要或命名实体识别等领域感兴趣,LangChain 提供了直观易用的平台和强大的 API,让我们的想法转化为现实。

 借助 LangChain 和 LLM 的强大能力,我们可以创建出具备理解和生成类人文本能力的智能应用程序,从而彻底改变我们与语言交互的方式。

在这里插入图片描述

利用LangChain连接Google Drive API:完整指南 通过结合LangChain和Google Drive API,你能更高效地管理和检索存储在云中的文档。Google Drive API官方文档LangChain GitHub仓库Python Google API客户端。 阅读详情

相关推荐

基于 LangChain 构建 LLM 应用程序

作为一款开源的 Python 框架,LangChain 旨在促进基于 LLM 的应用程序开发。基于所提供了一套工具、组件和接口等套件,LangChain 简化了以 LLM 为核心的应用程序的构建过程。通过 LangChain,开发人员能够轻松管理与语言模型的交互,无缝连接不同的组件,并集成 API 和数据库等资源。此外,借助 LangChain 技术,我们能够构建出一系列应用程序,这些应用程序能够生成创新性且与上下文相关的内容。

wjianwei666的专栏 913

OpenAI+LangChain+Chroma

需要安装 Microsoft C++ 生成工具 - Visual Studio。以上步骤执行完毕后再执行 pip install chromadb 即可。第一步在工程中进行 pip install chromadb。页面直接点击下载生成工具即可。并粘上官网提供的相应代码后。

Mico_Cmx的博客 2645

【LangChain Agent 】详解,构建自主决策的 LLM 应用

LangChain是一个用于构建基于大语言模型(LLM)应用的强大开发框架,特别适合创建智能问答、聊天机器人、自动化助手等 AI 驱动的应用。🚀 核心功能链式组合(Chain)可以将多个模块(例如:Prompt、模型调用、解析器等)链接在一起,形成一条“处理链”。上下文记忆(Memory)能保存用户的对话历史,实现连续对话或任务跟踪。工具集成(Tools)集成搜索引擎、数据库、API 调用等外部工具,让语言模型更具执行力。Agent(智能体)支持。

博客虽小,世界尽在其中 1748

(一)AI本地知识库问答(可运行):LangChain+Chroma向量数据库+OpenAi大模型

本文只是以能运行的demo为目的,中间各种知识的铺垫,如有不懂的话,可以去网上搜查各种资料,后续我可能也会继续发布相关的知识学习,有什么问题欢迎大家指正。

qq_44810220的博客 3208

吴恩达《LangChain for LLM Application Development》课程笔记

①直接向框架的创建者HarrisonChase学习LangChain ②将LLM应用到您的专有数据,以构建个人助理和专用聊天机器人 ③使用代理、链式调用和内存来扩展LLM的使用

分享前沿AI技术 2057

大模型LLM之Langchain(二)

2、教程 2.1、基础 2.1.1、使用 LCEL 构建简单的LLM应用程序 工具:jupyter notebook 、anaconda3 运行Anaconda Prompt 查看当前虚拟环境 conda env list 创建虚拟环境 conda create -n lc python=3.8 激活环境 conda activate lc 安装内核工具 pip install ipykernel 将虚拟环境内核添加到jupyter notebook python -m ipykernel inst

wslzoooo的博客 2518

NLP(五十八)LangChain使用Google Search Agent

本文主要介绍了如何在LangChain中使用Google Search Agent,来改善大模型存在的不足之处。

山阴少年 4180

如何使用LangChain构建LLM应用程序 ?How to Build LLM Applications with LangChain

大型语言模型 (LLM) 是指旨在理解和生成类似人类的文本的高级人工智能系统。这些模型在大量数据上进行训练,使它们能够掌握复杂的模式,理解语言的细微差别,并产生连贯的响应。LLM能够执行各种与语言相关的任务,包括语言翻译,文本完成,总结,甚至参与对话互动。GPT是LLM的一个例子。LLM是一种生成式AI。如果您想了解生成式 AI 以及它如何提高您的创造力,请查看我们的博客 使用生成式 AI 提高您的创造力 和我们的播客, 生成式 AI 革命的内幕.您还可以注册我们即将推出的大型语言模型概念课程。

AI天才研究院 4129

LangChain构建一个简单的 LLM 应用程序

在本快速入门中,我们将向您展示如何构建简单的 LLM 应用程序。该应用程序会将英语文本翻译成另一种语言。这是一个相对简单的 LLM 应用程序 - 它只是一个 LLM 调用加上一些提示。尽管如此,这仍然是开始使用 LangChain 的好方法 - 只需一些提示和 LLM 调用就可以构建很多功能!

chen的博客 990

LangChain智能体开发:构建一个简单的LLM应用程序

在这个快速入门中,我们将向您展示如何使用 LangChain 构建一个简单的 LLM 应用。这个应用将把文本从英语翻译成另一种语言。

王国平的博客 765

使用LangChain快速构建简单的LLM应用:详细教程

在当今迅速发展的人工智能(AI)领域,语言模型(LLM)已经成为各种应用程序中的重要工具。LangChain作为一个强大且灵活的框架,使得开发者能够高效地构建和部署基于LLM的应用程序。本教程将带你一步步了解如何使用LangChain构建一个简单的文本翻译应用程序。通过本文,你将学会如何进行环境设置、调用语言模型、创建和使用提示模板、解析输出以及如何使用LangServe部署你的应用程序。

m0_57781768的博客 1431

LangChain 0.2 - 构建一个简单的 LLM 应用程序

我们学习了如何使用语言模型、如何解析其输出、如何创建提示模板、如何在使用 LangSmith 创建的链中获得良好的可观察性,以及如何使用 LangServe 部署它们。Jupyter 笔记本非常适合学习如何使用 LLM 系统,因为事情经常可能会出错(意外输出、API 关闭等),而在交互式环境中阅读指南是更好地理解它们的好方法。您不需要使用 LangServe 来使用 LangChain,但在本指南中,我们将向您展示如何使用 LangServe 部署您的应用程序。这就是 LangServe 的用武之地。

AI工程化、开源分享、文档翻译、代码笔记 1639

手把手教你用SAM模型实现精准图像分割:从环境配置到实战应用

本文详细介绍了如何使用Meta推出的Segment Anything Model(SAM)实现精准图像分割,从环境配置到实战应用的全流程。特别针对电商场景中的商品分割需求,提供了硬件配置、模型下载、API使用及优化策略等实用指南,帮助开发者快速掌握这一强大的深度学习工具。

pepsi的博客 1068

无限可能LangChain——构建一个简单的LLM应用程序

在本快速入门中,我们将向您展示如何构建一个简单的LLM应用程序。该应用程序将文本从英语翻译成另一种语言。这是一个相对简单的LLM应用程序——它只是一个LLM调用加上一些提示。尽管如此,这仍然是开始使用LangChain的好方法——只需一些提示和一个LLM调用,就可以构建许多功能!

JackWu1024 1174

解决/usr/lib64/libstdc++.so.6和/lib64/libc.so.6版本过低问题

在CentOS7.0中编译好MySQL5.7.14之后,然后在CentOS6.5中初始化MySQL,执行:/usr/local/mysql/bin/mysqld --version出现如下问题:./bin/mysqld: /usr/lib64/libstdc++.so.6: version `GLIBCXX_3.4.15' not found (required by ./bin/mysqld)

poxiaonie的博客 2万+

汽车诊断之UDS入门-0x19 0x0A服务

0x19 0x0A解析

weixin_44842720的博客 3838

LangChain 17 LangSmith调试、测试、评估和监视基于任何LLM框架构建的链和智能代理

LangSmith是一个用于构建生产级LLM应用程序的平台。它让您可以调试、测试、评估和监视基于任何LLM框架构建的链和智能代理,并与LangChain无缝集成,LangChain是构建LLM的开源框架的首选。LangChain使得原型化LLM应用程序和代理变得容易。然而,将LLM应用程序交付到生产环境可能会出乎意料地困难。您可能需要对提示prompt、chains链条和tools其他组件进行大量定制和迭代,以创建高质量的产品。

AI架构师易筋 3413

人形机器人专题:人形机器人关节,从Optimus选型看关节的发展

今天分享的是深度研究报告:《(报告出品方:中泰页。

GPT20236688的博客 3227

LangChain教程 - 使用 LCEL 构建一个简单的 LLM 应用程序

通过本教程,你学习了如何创建一个简单的 LLM 应用,如何使用语言模型,解析模型输出,创建提示模板,使用 LCEL 链接组件,以及如何通过 LangServe 部署应用。这只是入门的第一步,成为一个熟练的 AI 工程师还需要掌握更多知识。幸运的是,我们提供了丰富的资源供你学习!

花千树的专栏 1220

新硬盘到手,在统信UOS或麒麟系统上怎么认?保姆级教程从识别到挂载一步到位

本文提供新硬盘在统信UOS或麒麟KYLINOS系统上的完整配置指南,从识别物理硬盘到挂载全流程详解。通过终端命令如df和lsblk,帮助用户完成硬盘识别、分区、文件系统创建及挂载配置,确保新硬盘顺利投入使用。

weixin_30698297的博客 444

MDIO接口协议与其详解——单片机

在单片机领域,通过MDIO接口可以与外部设备进行通信,实现对设备的控制和数据的读写。通过本文的介绍,你可以了解到MDIO接口协议的原理和使用方法,并参考源代码示例进行实际的开发和应用。具体的初始化方法与单片机的型号和开发环境有关,可以参考相应的单片机手册和开发工具的文档。(1)发送读取命令:向MDIO线发送读取命令,通常是发送一个特定的控制字节,用于指示要读取的寄存器地址。(1)发送写入命令:向MDIO线发送写入命令,通常是发送一个特定的控制字节,用于指示要写入的寄存器地址。二、MDIO接口协议使用方法。

web_class282的博客 2628

LangChain-v0.2 使用 LCEL 构建一个简单的 LLM 应用程序

本文将向你展示如何使用 LangChain 构建一个简单的 LLM 应用程序。此应用程序会将文本从英语翻译成另一种语言。这是一个相对简单的 LLM 应用程序 - 它只是一个 LLM 调用加上一些提示。尽管如此,这仍然是开始使用 LangChain 的好方法——只需一些提示和 LLM 调用就可以构建许多功能!本文在python环境进行操作。

sziitjin的博客 1114

YOLOv8 + FireNet 火焰与烟雾检测系统开发指南:算法实现与前端 UI 展示详解

的FireNet火焰与烟雾检测系统,会是你毕设的“王牌项目”。它能实时检测视频流中的火焰与烟雾,还能实现图形界面可视化,从技术深度到成果展示都能让你在答辩中脱颖而出。界面会调用摄像头实时检测火焰与烟雾,检测结果会以带边界框的形式展示,同时给出“检测到火焰/烟雾!无论是学术创新性,还是在工业安防、建筑消防等场景的应用潜力,它都能让你的毕设极具说服力。传统人工监控效率低、易漏检,而基于YOLOv8的自动检测系统能实时识别火焰、烟雾,为火灾预警争取宝贵时间。火灾预防与应急响应是安全领域的核心需求,

know_F0727的博客 64

使用LangChain构建简单的LLM应用

在这篇快速入门教程中,我们将向您展示如何使用LangChain构建一个简单的LLM(大型语言模型)应用程序。这个应用程序的功能是将文本从英语翻译成其他语言,这是一个相对简单的LLM应用,只需一个LLM调用加上一些提示。但即使是这样,也不失为一个很好的入门LangChain的方法——通过一点提示和LLM调用可以构建很多的功能!让我们开始吧!

fgayif的博客 1021

C# 上位机 YOLO 实战:从数据采集到目标识别的全流程拆解

本文以工业螺栓缺陷检测为例,完整拆解了C#上位机+YOLO从数据采集到目标识别的全流程。数据采集:保证图像质量,线程安全采集,必要时归档数据;预处理:适配YOLO模型输入格式,复用对象减少内存开销;推理解析:正确解析张量结果,过滤低置信度目标;落地环节:可视化展示结果,实现工业交互和日志记录。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1457

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

【LLM大模型】基于LangChain构建RAG应用

【LLM大模型】基于LangChain构建RAG应用

2301_81888214的博客 1791

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

上一篇: 五分钟带你学习LangChain 框架
下一篇: 大模型之提示词工程原理——提示学习(prompt learning)
大模型应用场景
博客等级 码龄5年 7683粉丝 1350原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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