rubys007的博客

是对的一个扩展，它可以让 LLM 选择不同的Prompt来回答问题，这样我们可以更灵活地使用不同的 Prompt 来回答问题。而是可以自动选择不同的大模型来回答问题。如果我们只是想让 LLM 选择不同的 Prompt 来回答问题，可以使用。如果我们想让 LLM 选择不同的大模型来回答问题，可以使用结合来实现。

下面是两个 LLMChain 的定义，一个是用于回答 Python 问题的，另一个是用于回答 Golang 问题的。# 创建一个 GPT-3.5 的 LLMChain你是一名 Python 工程师，擅长解答关于 Python 编程的问题。下面是需要你来回答的问题：{input}"""# 创建一个 GPT-4 的 LLMChain你是一名 Golang 工程师，擅长解答关于 Golang 编程的问题。下面是需要你来回答的问题：{input}"""# 创建两个 LLMChain。

FewShot 其实就是给模型一些示例做参考，模型才能明白你要什么。提供示例对于解决某些任务至关重要，通常情况下，FewShot 的方式能够显著提高模型回答的质量。不过，当少样本提示的效果不佳时，这可能表示模型在任务上的学习不足。在这种情况下，我们建议对模型进行微调或尝试更高级的提示技术，或者换一个模型。

在 langchain 中，我们可以通过来定义我们希望输出的字段，然后生成一个prompt，传递给 LLM，让 LLM 知道我们希望输出的格式是什么。

在前面的大部分例子中，我们跟 LLM 对话的时候都是使用了文本作为输入和输出。但是除了文本，我们也可以让 LLM 来为我们生成图片。多模态是指同时使用两种或两种以上的信息模式或表现形式。在人工智能和机器学习的背景下，多模态通常指的是能够处理和融合不同类型数据的系统，这些数据可能包括文本、图像、音频、视频或其他传感器数据。虽然 OpenAI 提供了的特性，但是直接使用起来还是比较麻烦，通过结合tools的方式，可以更好地组织和管理 chatbot 的能力。在这篇文章中，我们学习了如何通过。

大模型的推理能力要结合外部工具使用能力共同形成任务闭环通过上下文学习方法，我们可以教会大模型思考解决问题的方法/模式（如：ReAct 模式）

应用大语言模型要从传统机器学习思维切换为上下文学习的思路。上下文学习包括和，两者并无明显界限，可以根据实际需要灵活运用。

在上面的例子中，我们只给agent指定了一个工具函数，在实际使用中，我们可以定义多个工具函数，让 LLM 在推理的过程中选择合适的工具函数。import ostext } " to Chinese') tools = [ Tool(name = "query_web" , description = """当你需要回答关于当前信息的问题时调用。返回的是搜索引擎的搜索结果。

函数调用是 OpenAI 为了提高其语言模型的实用性和灵活性而采取的一种策略，它使得模型能够更好地与外部世界交互，执行更复杂的任务，并为用户提供更加定制化和高效的服务。

没有特殊功能，只有一个messages属性，用于保存消息，是list类型。在使用 LLM 的时候，我们需要注意到 LLM 并不会记住我们之前说过的话。但是我们可以自行保存历史消息，然后在下一次调用的时候，将之前的消息传递给 AI。为了方便处理历史消息，langchain提供了这个工具，可以帮助我们保存历史消息，并在超过指定数量的时候删除最早的消息。

在langchain中，我们可以将多个 LLM 连接在一起，形成一个链式请求，以便处理更复杂的任务。将不同的任务交给不同的 LLM 处理，可以提高效率，降低成本。

通过这篇文章，我们知道了，我们可以通过搜索引擎来获取信息，然后将这些信息提供给 LLM，让它帮我们提炼出我们想要的信息。使用，这个类可以帮我们从互联网上获取信息，然后提供给 LLM。使用 Serper API，这个 API 可以直接调用，获取搜索结果。

有时候，我们只是想利用 LLM 来帮助我们完成一些特定类型的任务，但每次可能我们跟 LLM 对话的内容只是有一些细微的差别，这时候我们可以使用提示词模板来帮助我们更方便地构建对话。

这种方法允许更准确和有意义的搜索结果，因为它考虑了查询的上下文和语义内容，而不仅仅是使用的确切单词。若要验证这一点，可以使用 FT.INFO 命令，该命令提供有关索引的详细信息和统计信息。Chook Air 5 为 6 岁及以上的孩子提供了一辆耐用且超轻便的山地自行车，让他们第一次体验赛道，并在森林和田野中轻松巡航。这些是语义上最相似的项目。向量捕获数据中固有的复杂模式和语义含义，使其成为各种应用程序的强大工具。查询结果显示各个查询的前三个匹配项（我们的 K 参数）以及每个查询的自行车 ID、品牌和型号。

LangChain 是一个用于语言模型和应用程序开发的框架，它提供了一系列工具和组件，帮助开发者更轻松地构建基于大型语言模型（LLMs，如 OpenAI 的 GPT 系列）的应用程序。LangChain 的目标是降低构建复杂语言应用程序的难度，通过提供一个模块化的框架，使得开发者能够快速集成和定制语言模型。LangChain 可以很方便地连接大语言模型和各种应用。

如果我们想从 LLM 那里得到更加精确、高质量的答案，我们就需要为它指定一个角色，或者给他提供更多跟我们问题相关的内容。当然，我们没办法给他提供太多的上下文，因为这样会让 LLM 处理很久，需要更昂贵的价格，同时，每个 LLM 的最大输入长度也是有限制的。

我们知道了，ChatOpenAI对象调用invoke方法返回的的信息中，包含了输入的token数量以及输出的token数量。那么它到底是怎么计算的呢？

本文中，我们会通过一个简单的例子来展示如何使用langchain来调用大模型的chatAPI（使用Chat Model这个例子前面也有使用过，但是前面还没有针对里面的内容进行详细的说明。配置key的文档请看。

langchain 入门指南 - 准备 API KEY