第三节课[LangChain]作业

本文讲述了作者使用小助手权重搭建诡秘之主世界观知识库的过程,遇到的主要是库版本和编码问题。尽管模型表现不佳,但整个过程富有学习价值,展示了知识图谱在此类任务中的优势。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

前言

本次作业虽然是第三节课作业,但是在第四次作业之后才完成,所以用的是经过自我认知微调的小助手权重。
使用**诡秘之主和宿命之环小说(仅用于学习和研究)**以及设定集、百度百科,搭建“诡秘世界观zhaocake专家助手”。
教程文档:https://github.com/InternLM/tutorial/tree/main/langchain

实践

搭建向量知识库

使用教程中的知识库搭建脚本,将需要修改的部分进行修改之后,运行脚本,即可得到诡秘之主世界观向量数据库。

中间一直在操作,遇到一些问题基本是库版本问题,以及自己使用的知识库文件编码问题,最后展示效果如下

在这里插入图片描述

隐秘组织触发连招了。
在这里插入图片描述
这个模型确实什么也做不到(,这种问题还是知识图谱比较靠谱吧。
那就不上传了,颇为丢人现眼了。
在这里插入图片描述
在这里插入图片描述
虽然很丢人现眼,但是有点乐子。

### 关于 LangChain 的文档和使用 LangChain 是一种专注于大型语言模型(LLMs)的工具库,提供了丰富的功能来帮助开发者构建复杂的自然语言处理应用。以下是关于 LangChain 文档和使用的详细介绍: #### 1. 官方文档 官方文档是学习 LangChain 的最佳起点。它涵盖了从基础概念到高级用法的所有内容,并且包含了详细的 API 参考以及多个实际案例。可以通过访问官方网站获取最新版本的文档[^1]。 - **安装**: 首先需要通过 pip 工具安装 LangChain 库。 ```bash pip install langchain ``` - **快速入门指南**: 提供了一个简单的例子,展示如何利用 LangChain 构建基本的应用程序。这通常包括设置环境变量、加载数据集以及定义链路逻辑等步骤[^2]。 #### 2. 主要特性与模块介绍 ##### a) Chains (链条) LangChain 中的核心组件之一是 chains,它们允许用户组合不同的操作序列形成复杂的工作流。例如,可以创建一条 chain 将输入文本传递给某个预训练模型并返回结果。 ```python from langchain.chains import LLMChain from langchain.prompts import PromptTemplate from langchain.llms import OpenAI llm = OpenAI() prompt_template = "What is the capital city of {country}?" prompt = PromptTemplate(template=prompt_template, input_variables=["country"]) chain = LLMChain(llm=llm, prompt=prompt) print(chain.run({"country": "France"})) ``` ##### b) Agents & Tools Agents 能够自动决定下一步行动并通过调用外部服务完成任务。Tools 则是指那些被 agents 所使用的具体方法或接口,比如搜索引擎插件或者数据库查询等功能[^2]。 ##### c) Indexing (索引) 为了提高检索效率,LangChain 支持多种类型的索引机制,使得可以从大量非结构化数据中提取有用的信息[^1]。 #### 3. 结合其他框架增强性能 当单独使用 LangChain 时已经非常强大,但如果将其与其他分布式计算平台如 Ray 整合,则可以获得更高的吞吐量和更低延迟的表现[^1]。 ---
评论 1
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

早上真好

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