使用LangChain构建语言模型应用程序的测验

快速入门指南#

本教程将向您介绍如何使用LangChain构建端到端的语言模型应用程序。

环境设置#

使用LangChain通常需要与一个或多个模型提供程序、数据存储、API等进行集成。在本示例中，我们将使用OpenAI的API，因此我们首先需要安装他们的SDK：

pip install openai

然后我们需要在终端中设置环境变量。

或者，您也可以在Jupyter笔记本（或Python脚本）中执行此操作：

构建语言模型应用程序：LLMs#

现在我们已经安装了LangChain并设置了环境，我们可以开始构建我们的语言模型应用程序。LangChain提供了许多模块，可用于构建语言模型应用程序。模块可以组合以创建更复杂的应用程序，或者单独用于简单的应用程序。

LLMs：从语言模型获取预测#

LangChain的最基本的构建块是在某些输入上调用LLM。让我们通过一个简单的例子来演示如何做到这一点。为此，让我们假装我们正在构建一个基于公司业务生成公司名称的服务。为了做到这一点，我们首先需要导入LLM包装器。

我们可以使用任何参数初始化包装器。在这个例子中，我们可能希望输出更随机，因此我们将使用HIGH温度进行初始化。

我们现在可以在某些输入上调用它！“一个制造彩色袜子的公司的好名字是什么？”

有关如何在LangChain中使用LLMs的更多详细信息，请参见LLM入门指南。

提示模板：管理LLMs的提示#

调用LLM是一个很好的第一步，但这只是开始。通常在应用程序中使用LLM时，您不会直接将用户输入发送到LLM，而是可能会将用户输入转换为提示，然后将其发送到LLM。例如，在上一个示例中，我们传递的文本是硬编码的，要求为制造彩色袜子的公司提供名称。在这个虚构的服务中，我们想要做的是只采取描述公司业务的用户输入，然后使用该信息格式化提示。这在LangChain中很容易做到！

首先让我们定义提示模板：

现在让我们看看它是如何工作的！我们可以调用 prompt_template.format() 方法来格式化它。

“一个制造彩色袜子的公司的好名字是什么？”

有关更多详细信息，请查看提示