langchain基础(3)-chain

1.LLMChain:一个链

from langchain.chains.llm import LLMChain

from langchain_community.llms.openai import OpenAI
from langchain.prompts.prompt import PromptTemplate

llm = OpenAI(base_url="http://localhost:1234/v1", api_key="lm-studio")
promptTemplate = PromptTemplate.from_template("你是起名大师,我家是{sex}宝,姓{firstName},请起3个好养的名字?")


# 多个参数
chain = LLMChain(
    llm=llm,
    prompt= promptTemplate,
    verbose=True,#打开日志
)
ret = chain.invoke({'sex': "男",'firstName': "王"})

print(ret)2.

2.SimpleSequentialChain:将一个链的输出作为下一个链的输入

from langchain.chains.llm import LLMChain
from langchain_community.llms import Tongyi

llm = Tongyi()

from langchain.prompts import ChatPromptTemplate
from langchain.chains.sequential import SimpleSequentialChain

# chain 1
first_prompt = ChatPromptTemplate.from_template("帮我给{product}的公司起一个响亮容易记忆的名字?")

### LangChain框架概述 LangChain框架通过一系列开源库提供了丰富的功能,支持开发者快速构建、优化和部署大型语言模型(LLM)应用[^1]。该框架旨在简化自然语言处理任务中的常见挑战,并提供灵活的工具来定制化解决方案。 #### 主要组成部分 - **langchain-core**: 这是整个生态系统的基础模块,包含了核心抽象类和其他基础结构元素,使得其他高级特性得以建立在其之上。 - **Callbacks**: 提供了一些过程回调函数,在执行特定操作期间可以触发这些事件处理器来进行日志记录或其他辅助工作流管理活动[^3]。 ### 关键概念解析 对于初学者来说,理解以下几个基本术语非常重要: - **语言模型 (LLMs)**: 是指那些经过大量文本训练而具备理解和生成人类语言能力的人工智能系统[^2]。它们构成了大多数现代NLP应用程序的核心部分。 - **提示工程**: 涉及设计有效的输入格式或指令序列给定的语言模型,以便获得预期的结果输出。良好的提示可以帮助提高响应的质量并引导对话方向。 ### 实现首个LangChain项目 动手实践总是最好的学习方式之一。下面是一个简单的例子展示如何设置环境以及创建最基础版本的应用程序——“Hello World”。 #### 设置开发环境 确保安装了Python运行时之后,可以通过pip命令轻松获取所需依赖项: ```bash pip install langchain ``` 接着初始化一个新的Python文件用于编写代码逻辑。 #### 编写简单示例 这里给出一段非常初级但完整的脚本作为起点: ```python from langchain import LangChain if __name__ == "__main__": chain = LangChain() response = chain.run("你好,世界!") print(response) ``` 这段代码展示了怎样加载预设配置好的链路实例(`LangChain`)并通过调用`run()`方法传递消息字符串从而得到回复内容。尽管这个案例相对直接明了,但它确实遵循着实际生产环境中更为复杂的交互模式。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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