10分钟,使用Langchain实现一个AI法律助手

智谱AI发布国产最强大模型GLM4,理解评测与数学能力仅次于Gemini Ultra和GPT-4,编程能力超过Gemini-pro,还有对标GPTs商店的GLMs 这是在智谱AI开发者大会上推出的新一代基座大语言模型,GLM4相比较此前最大的特点是三个变化:性能全面提升、上下文长度更长、支持更强的多模态能力。GLM4(GLM4)详细信息 | 名称、简介、使用方法,开源情况,商用授权信息 | 数据学习 (DataLearner) 阅读详情

LangChain 是一个用于构建基于大语言模型 (LLM) 应用程序的开发框架,它提供了一系列功能模块,帮助开发者快速构建和部署复杂的自然语言处理应用。

img

项目目标

希望这个助手回答我们民法相关的问题,超出这个范围的问题拒绝回答。

需要准备资源
  • Python 开发环境

  • OpenAI 的 key

    (可以在https://www.ai360labs.com/ 相关的课程中申请)

项目环境搭建

在项目环境搭建部分,重点是介绍如何安装和使用PDM(Python Development Master)来管理项目依赖。

安装PDM

首先,需要确保你已经安装了pipx,它是一个用于隔离安装Python工具的工具。可以通过以下命令安装pipx:

pip install pipx

安装完成后,使用pipx来安装PDM:

pipx install pdm
初始化项目

使用PDM来初始化项目。首先,进入你想要创建项目的目录,然后运行以下命令:

pdm init

在初始化过程中,PDM会扫描你系统上已经安装的Python版本。你需要选择一个Python 3.11及以上的版本来创建项目。以下是一个示例的输出:

Creating a pyproject.toml for PDM...
Please enter the Python interpreter to use
0. /opt/homebrew/bin/python3 (3.11)
1. /opt/homebrew/bin/python3.12 (3.12)
2. /usr/bin/python2 (2.7)
Please select (0):

选择适当的Python版本后,PDM会生成一个pyproject.toml文件,并写入你选择的信息。以下是一个示例的pyproject.toml文件内容:

[project]
name = "consumer_bot"
version = "0.1.0"
description = "Default template for PDM package"
authors = [
    {name = "alex_code", email = "xxx@gmail.com"},
]
dependencies = []
requires-python = "==3.11.*"
readme = "README.md"
license = {text = "MIT"}

[tool.pdm]
package-type = "application"
完整安装过程如下
# 安装PDM
pip install pipx
pipx install pdm

# 初始化项目
pdm init

# 安装项目依赖
pdm add langchain langchain-openai bs4 chromadb langchainhub>=0.1.14 langserve>=0.0.41 sse-starlette>=2.0.0 python-dotenv pydantic==1.10.13
测试代码

需要在代码的运行目录下创建一个隐藏文件 .env,下面的内容需要替换为你自己的 key 和地址:

OPENAI_API_KEY = "sk-0da583be-dc5b-4b63-a440-3e400dbc61ee"
OPENAI_API_BASE_URL = "https://www.ai360labs.com/openai/v1"
import os
from langchain_openai import OpenAI
from fastapi import FastAPI
from langserve import add_routes
from dotenv import load_dotenv

load_dotenv()

llm = OpenAI()
app = FastAPI(
 title="LangChain Server",
 version="1.0",
 description="A simple API server using LangChain's Runnable interfaces",
)

add_routes(
   app,
   llm,
   path="/first_llm",
)
if __name__ == "__main__":
   import uvicorn
   uvicorn.run(app, host="localhost", port=8000)

PDM会在项目目录下创建一个对应Python版本的虚拟环境,所有的依赖库都安装在这个虚拟环境中。运行项目时,需要使用PDM提供的run命令来执行Python脚本,以确保使用的是虚拟环境中的Python和依赖库。

打开浏览器,输入:http://localhost:8000/first_llm/playground/

img

我们的代码已经如预期一样开始工作。

编码实现
获取数据

我们从政府网站获取民法全文:https://www.gov.cn/xinwen/2020-06/01/content_5516649.htm

from langchain_community.document_loaders import WebBaseLoader
import bs4

def load_documents():
    loader = WebBaseLoader(
        web_path="https://www.gov.cn/xinwen/2020-06/01/content_5516649.htm",
        bs_kwargs=dict(parse_only=bs4.SoupStrainer(id="UCAP-CONTENT"))
    )
    docs = loader.load()
    return docs
  • WebBaseLoader 是 Langchain 提供一个用于加载网页内容的类。
  • bs4 是 BeautifulSoup 的别名,这是一个用于解析 HTML 和 XML 文档的库。
  • 在这里使用 bs4.SoupStrainer 只解析具有指定 id 属性(UCAP-CONTENT)的内容。这可以加速解析过程并提取特定部分的 HTML。
文本切割

模型对输入文本的长度有一定限制。例如,Transformer 模型(包括 BERT、GPT-3 等)通常只能处理固定长度的文本片段。通过文本切割,可以将长文本分割成适合这些模型处理的短文本片段。

def split_documents(docs):
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
    splits = text_splitter.split_documents(docs)
    return splits
  • chunk_size:指定每个文本块的最大字符数,这里设置为 1000。
  • chunk_overlap:指定相邻文本块之间的重叠字符数,这里设置为 200。这可以确保文本块之间有一定的重叠,避免在分割处丢失上下文信息。
文本向量化存储
def store_documents(splits):
    embeddings = OpenAIEmbeddings()
    vectorstore = Chroma.from_documents(documents=splits, embedding=embeddings, persist_directory="./chroma_db")
    return vectorstore
  • 这个类通常包含生成文本嵌入的方法,利用预训练的模型(OpenAI 的语言模型)将文本转换为向量表示。
  • 向量表示是文本的高维数值表示,可以捕捉文本的语义信息,便于后续的相似性计算和检索任务。
  • persist_directory 参数指定数据库的存储位置,这样可以在磁盘上持久化数据库,以便下次使用。
构建问答链
def build_rag_chain(vectorstore):
    prompt_template_str = """
    你是民法典问答任务的助手。使用以下检索到的上下文来回答问题。如果你不知道答案,就说你不知道。保持答案简洁,答案不要超过三个句子。

    问题: {question} 

    上下文: {context} 

    答案:
    """
    prompt_template = PromptTemplate.from_template(prompt_template_str)
    retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 4})
    llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)

    def format_docs(docs):
        return "\n\n".join(doc.page_content for doc in docs)

    rag_chain = (
        {"context": retriever | format_docs, "question": RunnablePassthrough()}
        | prompt_template
        | llm
        | StrOutputParser()
    )
    return rag_chain

上面的代码构建了一个基于 RAG 检索的问答链

完整代码实现
# bot.py
import bs4
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import WebBaseLoader
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain.prompts.prompt import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI
from fastapi import FastAPI
from langserve import add_routes

# 数据加载
def load_documents():
    loader = WebBaseLoader(
        web_path="https://www.gov.cn/xinwen/2020-06/01/content_5516649.htm",
        bs_kwargs=dict(parse_only=bs4.SoupStrainer(id="UCAP-CONTENT"))
    )
    docs = loader.load()
    return docs

# 文本切割
def split_documents(docs):
    text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
    splits = text_splitter.split_documents(docs)
    return splits

# 向量化存储
def store_documents(splits):
    embeddings = OpenAIEmbeddings()
    vectorstore = Chroma.from_documents(documents=splits, embedding=embeddings, persist_directory="./chroma_db")
    return vectorstore

# 构建问答链
def build_rag_chain(vectorstore):
    prompt_template_str = """
    你是民法典问答任务的助手。使用以下检索到的上下文来回答问题。如果你不知道答案,就说你不知道。保持答案简洁,答案不要超过三个句子。

    问题: {question} 

    上下文: {context} 

    答案:
    """
    prompt_template = PromptTemplate.from_template(prompt_template_str)
    retriever = vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 4})
    llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)

    def format_docs(docs):
        return "\n\n".join(doc.page_content for doc in docs)

    rag_chain = (
        {"context": retriever | format_docs, "question": RunnablePassthrough()}
        | prompt_template
        | llm
        | StrOutputParser()
    )
    return rag_chain

# 构建 FastAPI 应用
def create_app(rag_chain):
    app = FastAPI(
        title="中国民法智能助手",
        version="1.0",
    )

    # 添加问答链路由
    add_routes(
        app,
        rag_chain,
        path="/civil_law_ai",
    )
    return app

# 主函数
def main():
    docs = load_documents()
    splits = split_documents(docs)
    vectorstore = store_documents(splits)
    rag_chain = build_rag_chain(vectorstore)
    app = create_app(rag_chain)

    if __name__ == "__main__":
        import uvicorn
        uvicorn.run(app, host="localhost", port=8000)

main()

使用以下命令来运行:

pdm run python bot.py

通过以上步骤,你就成功搭建了项目环境,安装了所需的依赖库,并能够运行项目代码。

使用这个助手

打开浏览器输入:http://localhost:8000/civil_law_ai/playground/

我们来试用一下这个助手:

img

我们再来问一个和法律无关的问题:

img

可以看到,这个助手拒绝回答和法律无关的问题。

​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

用ollama本地部署Lamma3.1 ollama create 自定义模型名字 -f Modelfile。让lamma3.1写一个贪吃蛇小游戏,一次run成功。例如:ollama run llama3.1。例如:ollama run llama3.1。 阅读详情

相关推荐

Windows 中 利用 ollama 来搭建 deepseek R1

近年来,大模型凭借其强大的语言理解和生成能力,在自然语言处理、计算机视觉等领域取得了突破性进展。从GPT系列到国内的,文心一言、[Qwen]、,大模型已成为推动人工智能发展的核心力量。ollama作为新兴的大模型搭建工具,以其开源、高效、易于部署的特点,在人工智能开发者社区中崭露头角,为大模型的搭建和应用提供了新的解决方案。在当今数字化浪潮中,人工智能的发展可谓日新月异,而大模型作为其核心驱动力,正重塑着各个行业的格局。

一个专注于机器学习基础与实战的技术博客,内容涵盖算法推导、模型实现、数学原理与代码实践。用通俗的语言解析复杂概念,记录学习过程中的思考与总结,适合机器学习爱好者和从业者参考。 2554

使用 Ollama 本地运行各种 LLM

今天看看另外一个产品Ollama。Ollama 的安装非常简单,只需从官网(https://ollama.com/download)下载后解压缩,并在 Terminal 中运行脚本即可完成环境设置。我尝试运行 Llama3,虽然在运行时占用了大量电脑资源,使得其他应用运行变慢,但整体体验尚可。Ollama 支持多种大型语言模型(https://ollama.com/library)。

python123456_的博客 1736

【纯前端】10 分钟带你用 langchain 做一个带RAG的AI医疗助手

js代码解读复制代码。

m0_74223728的博客 1146

AI大模型探索之路-基础篇5:GLM-4解锁国产大模型的全能智慧与创新应用

随着人工智能技术的飞速发展,大型预训练语言模型已成为推动行业进步的重要力量。它们在理解自然语言、生成文本、执行复杂任务等方面展现出惊人的能力。在此背景下,国产大模型GLM-4的问世,不仅展现了中国在AI领域的实力,也为国内外研究者和开发者提供了新的研究与应用平台。

寻道AI,探索AI无限可能! 8685

《助力前行!AI助手助力法律研究智能化前行,AI应用架构师分析》

先讲个真实故事:我有个律师朋友小张,上周接了个商品房预售合同纠纷的案子——客户买的房子逾期120天没交房,想解除合同并要违约金。查现行有效法规:《民法典》《最高人民法院关于审理商品房买卖合同纠纷案件适用法律若干问题的解释》里关于“逾期交房解除合同”的条款,还要确认有没有2023年的新修正案;找类似案例:近3年最高院或省高院的判决,尤其是“逾期超过90天能否解除合同”“违约金计算标准”的先例;理法律关系:客户的诉求→合同约定→法规依据→案例支持,形成逻辑链。结果呢?小张花了3天。

大数据洞察的博客 1001

LangChain 完全入门:5分钟搭建你的第一个AI智能体

我们的智能体需要一些超越语言模型本身的能力。我们将通过定义“工具”来实现。# main.py (续)# 工具1:天气查询@Tool"""当需要查询天气时,调用此工具。输入应该是城市名称。"""# 这是一个模拟实现,真实应用中可以对接真实的天气APIweather_data = {"北京": "晴,15-25°C", "上海": "多云,18-28°C", "广州": "小雨,20-26°C"}return weather_data.get(city, f"抱歉,我没有“

晨的技术博客 1460

10 分钟,使用 Langchain实现一个AI法律助手

是一个用于构建基于大语言模型 (LLM) 应用程序的开发框架,它提供了一系列功能模块,帮助开发者快速构建和部署复杂的自然语言处理应用。

xxue345678的博客 950

Debian下Rust环境极速安装指南:国内镜像+避坑配置(附清华/中科大源对比)

本文详细介绍了在Debian系统上快速安装和配置Rust开发环境的完整指南。针对国内网络环境,重点对比评测了清华大学、中国科学技术大学等主流镜像源,提供了详细的安装配置步骤、Cargo优化技巧以及常见问题排查方案,帮助开发者显著提升依赖下载和编译效率。

s8t9u0v1w的博客 1163

30分钟上手LangChain Go:从0到1构建你的AI对话助手

你是否曾想过用Go语言快速开发一个能记住对话历史的AI应用?是否被复杂的LLM(大语言模型)API调用和对话状态管理搞得晕头转向?本文将带你从零开始,在30分钟内基于LangChain Go构建一个具备记忆功能的AI对话助手,无需深厚的AI知识,只需基础的Go编程能力。 读完本文你将学会: - 如何配置LangChain Go开发环境 - 调用模型的基础方法 - 实现对话记忆功能(让AI记住上下...

gitblog_00473的博客 1296

MATLAB实现灰雁优化算法(GGO):从原理到实战的详细级教程

灰雁优化算法(GGO)是一种新型群体智能算法,模拟灰雁迁徙和觅食行为。算法通过领导更替机制、V形编队飞行和群体觅食策略,平衡全局探索与局部开发能力,具有收敛精度高、避免局部最优等特点。在MATLAB环境中,算法实现包括初始化种群、迭代更新领导雁、执行编队飞行和觅食行为等核心模块。用户可根据问题维度设置参数,通过收敛曲线和可视化分析评估性能。关键参数如领导更替频率、V形编队强度和觅食强度需根据问题复杂度调整,以获得最佳优化效果。该算法适用于各类优化问题,具有较好的鲁棒性和稳定性。

fx666_的博客 1212

kaggle项目:纽约出租车行程时间NYC Taxi Trip Duration

纽约出租车形成时间预测(NYC Taxi Trip Duration)是Kaggle中的一个Playground竞赛。比赛数据集基于2016年纽约市黄色出租车行程记录数据,需要建立一个模型,根据单个行程属性,预测测试集中每次行程的持续时间。Kaggle项目模型XGBoost,评价指标RMSLE。

weixin_42113929的博客 2791

【保姆级教程】10分钟用 Python + LangChain 搭建你的私人 AI 助手

本文手把手教你使用 LangChain 和 Streamlit,不写一行 HTML/CSS,纯 Python 极速搭建一个专属的 LLM 对话网页。

m0_61549765的博客 557

ArcGIS小白必看:5分钟搞定WGS_1984到Krasovsky_1940_Albers投影转换(附详细步骤)

本文为ArcGIS初学者提供了从WGS_1984地理坐标系转换到Krasovsky_1940_Albers投影坐标系的详细实战指南。文章深入剖析了投影变换与基准面转换的核心区别,通过分步详解创建自定义地理变换、执行投影等关键操作,并附带了常见问题排查与批量处理脚本,旨在帮助用户高效、准确地完成坐标系统转换,为后续空间分析奠定基础。

weixin_29305337的博客 643

10 分钟带你用 langchain和 js 做一个带RAG的AI医疗助手(附代码)

10 分钟带你用 langchain和 js 做一个带RAG的AI医疗助手(附代码)

zhishi0000的博客 1266

【100%通过率】2023华为od机试C卷【电脑病毒感染】Java&Go 实现

一个局域网内有很多台电脑,分别标注为 0 ~ N-1 的数字。相连接的电脑距离不一样,所以感染时间不一样,感染时间用t 表示。其中网络内一台电脑被病毒感染,求其感染网络内所有的电脑最少需要多长时间。如果最后有电脑不会感染,则返回-1.

MISAYAONE的博客 2865

【科研绘图系列】R语言绘制代谢物与临床表型相关性的森林图

本研究通过森林图展示了特定代谢物与三种临床比较之间的相关性分析结果。这种方法不仅直观地展示了每个代谢物的效应大小和不确定性,还允许我们比较不同代谢物在不同临床比较中的影响。森林图的结果表明,某些代谢物在特定临床比较中显示出显著的相关性,这可能为理解疾病的代谢机制提供了重要线索。

专注生信领域 567

我用10分钟开发了一个AI助手,感觉还不错哈哈哈

AI助手是企业数字化转型的核心工具,其价值在于提升效率、沉淀知识并优化客户体验。实现方式主要有三种:本地部署大模型(安全可控但运维成本高)、云厂商API(快速上线但数据风险大)以及混合模式(通用功能用云服务,敏感业务用本地模型)。阿里云AI助手可通过Agent调用MCP协议,支持npx、uvx和sse三种方式,各有适用场景。未来趋势将向混合架构发展,结合云服务的智能优势与本地部署的安全性,形成更灵活的AI解决方案。

Acho_0的博客 1344

Xilinx DDR3 MIG IP核设计--汇总导航

快速上手Xilinx DDR3 IP核----汇总篇

孤独的单刀 2万+

如何在10分钟内使用LangChain

本文主要讨论了LangChain的使用和优势。LangChain是一个对于希望快速创建大型语言模型应用的人来说非常有用的工具。它可以在几分钟内创建链、定义提示,甚至将多个LLM调用链接在一起以创建动态的TikTok脚本。LangChain的优势在于其简单性和灵活性。无论你是经验丰富的开发者还是刚刚起步,LangChain的直观设计都让你能够像从未有过的那样利用大型语言模型的能力。从生成创意内容到运行自主代理,可能性是无穷无尽的。

python123456_的博客 1346

C# + NAudio:构建支持实时音频处理的语音聊天应用(含回声消除)

本文介绍了如何利用C#和NAudio库开发实时语音聊天应用,重点实现回声消除功能。首先概述了NAudio库在音频处理中的作用,包括音频录制、播放和实时处理能力。然后详细讲解了构建基础语音聊天应用的过程,包括麦克风录制和扬声器播放的实现。接着深入探讨了回声消除的原理和实现方法,提出通过比较麦克风输入和扬声器输出的音频信号来消除回声,并给出了核心代码示例。最后,文章还讨论了性能优化方向,如多线程处理和网络传输扩展。该方案为开发高质量实时语音应用提供了实用参考。

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。 1014

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

15分钟实战:用Chat LangChain打造你的专属AI文档助手

想象一下,你的团队每天都在为技术文档查询而烦恼——"LangChain的异步调用怎么用?"、"LangGraph的状态管理有什么最佳实践?"、"这个错误代码是什么意思?"。与其让开发者一遍遍翻阅文档,不如让一个智能助手24小时待命,准确回答所有问题。这就是Chat LangChain带给你的超能力。 ## 一、为什么你需要一个文档智能助手? 在技术团队中,文档查询占据了开发者大量时间。根据统计

gitblog_00229的博客 336

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

基于LangChain的AI助手开发:从零到上线

LangChain作为大模型应用开发的事实标准框架,截至2024年已支持超过200种大模型接口与500+工具链的集成。本文以智能客服助手为实战场景,完整呈现从需求分析、架构设计、核心功能开发到生产部署的全流程。通过某银行智能投顾系统的落地案例,详解如何实现多轮对话准确率92%、意图识别响应时间<800ms、工具调用成功率99.7%等关键指标,并分享处理大模型幻觉、保障数据隐私的11项核心策略,为AI助手开发提供工业化解决方案。

水务人 1759

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

【LLM大模型】如何在10分钟内使用LangChain

LangChain是一个强大的Python和Javascript/Typescript库,它可以让你快速地原型化大型语言模型应用。它允许你将LLM任务链在一起(因此得名),甚至可以让你快速轻松地运行自主代理(autonomous agents) 。

2301_81888214的博客 598

AI5 - 法律文书秒级生成?AI律师助理的真实效能评估

AI律师助理的真正价值,不在于取代人类,而在于放大人类的专业能力。它让一位县城律师能获得媲美顶级律所的知识支持;它让小微企业主以极低成本获得合规保障;它让正义的实现不再因高昂费用而遥不可及。当AI在10秒内生成一份无漏洞的租房合同,当系统自动标红“霸王条款”保护租客权益,当偏远地区的农民通过手机获得精准法律建议——那一刻,技术已超越效率工具,成为推动法律普惠的基础设施。最好的法律AI,是那个让律师更像律师、让正义更易触达的AI。🤖⚖️。

千淘万漉虽辛苦,吹尽狂沙始到金 2万+

LangChain MCP Adapters 终极指南:10分钟实现AI工具快速集成

想要快速集成各种AI工具到你的LangChain应用中吗?langchain-mcp-adapters项目提供了完整的解决方案,让开发者能够轻松连接和管理多个MCP服务器。这个开源工具通过标准化的适配器接口,大幅简化了AI工具集成的复杂度。 ## 🔧 什么是MCP适配器? MCP(Model Context Protocol)适配器是LangChain生态中的重要组件,它充当了AI工具服务器

gitblog_00232的博客 733

React + LangChain + RAG实战:打造一个专业的AI医疗助手

本文将分享如何基于React和LangChain框架,结合通义千问大语言模型,打造一个专业的AI医疗助手应用,实现图文多模态交互、医疗知识检索以及智能对话功能。本项目通过结合React和LangChain,成功构建了一个功能完整的AI医疗助手应用。系统支持多模态交互、知识增强生成和流式响应等特性,为用户提供专业、易用的医疗咨询体验。集成更多的医疗专科知识库添加语音交互功能支持医疗报告自动解读实现用户个性化推荐。

Q2024107的博客 1123
上一篇: 使用langchain完成一个最简单的代码任务
下一篇: 惊!大神都在用的AI提示工程技术,现在普通人也能学会啦
AI大模型_学习君
博客等级 码龄3年 6139粉丝 551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