Langchain | Ollama | Python快速上手使用LLM的DEMO

部署运行你感兴趣的模型镜像

Langchain使用Ollama pull的大模型集成LLM的DEMO

1. 演示预备环境信息

MacOS
python3.12.*
ollama

2. 安装Python包

pip install --pre -U langchain
pip install -qU langchain-ollama

3. 安装Ollama

点击下载安装Ollama

# 测试Ollama是否成功安装
(py312) kt@KT ~ % ollama -v
ollama version is 0.12.3

# 获取qwen3:8b llm模型
ollama pull qwen3:8b

# 检测是否获取成功
ollama list

在这里插入图片描述

4. 测试DEMO

from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="qwen3:8b")
prompt = "hello,how are you?" 
print(llm.invoke(prompt))

# 稍等片刻 便会输出答案

在这里插入图片描述

langchain-ollama有三种集成模式,chat_models、embeddings、llms,可通简单阅读文档,获取使用方式。

您可能感兴趣的与本文相关的镜像

Llama Factory

Llama Factory

模型微调
LLama-Factory

LLaMA Factory 是一个简单易用且高效的大型语言模型(Large Language Model)训练与微调平台。通过 LLaMA Factory,可以在无需编写任何代码的前提下,在本地完成上百种预训练模型的微调

### 关于 LangChain 的入门演示 #### 使用 DPR 模型的简单示例 为了展示如何快速上手 LangChain 并利用其中的预训练模型,这里提供了一个基于 `dpr` (Dense Passage Retrieval) 模型的小例子。此模型特别适用于问答系统中的文档检索任务。 ```python import langchain # 加载大型版本的 DPR 模型 model = langchain.load('dpr', 'large') # ^[1] ``` 这段代码展示了加载指定类型的预训练模型是多么简便快捷。对于希望构建高效信息检索系统的开发者来说,这无疑是个好消息。 #### 构建简单的 LLM 应用程序 另一个典型的应用场景涉及创建一个由提示模板驱动并与特定语言模型相连的应用程序。在这个实例中选择了 OpenAI 的 ChatGPT 作为底层的语言处理引擎[^2]: 首先确保已经安装必要的 Python 包: ```bash pip install --upgrade --quiet langchain-core langchain-community langchain-openai ``` 接着可以编写如下 Python 脚本来实现这一功能: ```python from langchain.llms import OpenAIChatModel from langchain.prompts.prompt_template import PromptTemplate # 初始化OpenAI聊天模型 chat_model = OpenAIChatModel(api_key='your_api_key') # 定义一个简单的对话模板 template = PromptTemplate(input_variables=["input"], template="你好! {input}") # 发送请求给LLM并获取响应 response = chat_model.predict(template.format(input="世界")) print(response) ``` 上述脚本说明了怎样通过定义自定义的输入格式来调用强大的自然语言理解能力,并获得相应的输出结果。 #### 学习资源推荐 除了官方文档外,在线平台如 Coursera、Udemy 和 YouTube 上也有大量有关 LangChain 及其周边生态的学习资料可供参考[^3]。这些多媒体形式的教学内容能够帮助不同层次的学习者更好地掌握这项技术。
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

打赏作者

AITyson

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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