网站首页 全球最实用的IT互联网站!

人工智能P2P分享Wind搜索发布信息网站地图标签大全

当前位置:诺佳网 > AI人工智能 > 大模型 >

Langchain 快速入门(一): 运行你第一个LLM模型

时间:2026-01-22 22:51

人气:

作者:admin

标签:

导读:简介 langchain专门用于构建LLM大语言模型,其中提供了大量的prompt模板,和组件,通过chain(链)的方式将流程连接起来,操作简单,开发便捷。 环境配置 安装langchain框架 pip install langchai...

简介

langchain专门用于构建LLM大语言模型,其中提供了大量的prompt模板,和组件,通过chain(链)的方式将流程连接起来,操作简单,开发便捷。

环境配置

安装langchain框架

pip install langchain langchain-community

其中langchain可以提供了各种大模型语言库选择,(这里只列举几个)例如:

#chatgpt
pip install langchain-openai
#hugging face
pip install langchain-huggingface
#千问
pip install langchain-qwq

1. 让模型跑起来

如何让你llm跑起来,这里用的是千问,来演示

案例

import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

#这里是你的千问apikey
os.environ["DASHSCOPE_API_KEY"] = "apikey"

model = ChatTongyi(model="qwen-plus")

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个精通{topic}的资深技术专家。"),
    ("user", "请用三句话解释一下什么是{concept}。")
])

output_parser = StrOutputParser()

chain = prompt | model | output_parser

#文本输出
response = chain.invoke({"topic": "Python", "concept": "列表"})
print(response)

#分割
print("="*30)

#流式输出
for chunk in chain.stream({"topic": "人工智能", "concept": "神经网络"}):
    print(chunk, end="", flush=True)

代码解释

整个代码的流程如下:
创建模型->构建提示词->构建chain链->使用大模型

创建模型

这一步用不同的模型可能会不同
这里利用langchain的千问库创建模型,可能会不同

model = ChatTongyi(model="qwen-plus")

#例如用chatgpt
llm = init_chat_model("gpt-4o", model_provider="openai")
构建提示词

这一步构建利用了langchain库提供提示词模板:
其中用{}阔起来的在调用时可以动态用字典替换

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个精通{topic}的资深技术专家。"),
    ("user", "请用三句话解释一下什么是{concept}。")
])

各个角色功能如下:

角色名称 (Role) 对应的类 作用说明
system SystemMessage 系统提示词。用于设定 AI 的“人格”、专业背景、行为准则或约束条件。它通常优先级最高,决定了后续对话的基调。
user HumanMessage 用户消息。代表人类发送的内容。这是模型需要直接回答或处理的问题。
ai AIMessage AI 消息。代表模型之前的回复。在构建多轮对话(带记忆)时,需要把模型之前的回复传回去。
构建chain链

这个是langchain的灵魂,这里简单说明,后面会发更详细的教学文章
chain链的运行流程如下:
将输入填充prompt->将完整prompt喂给LLM->直接解析返回文本

StrOutputParser()这个是langchain提供的文本解析器,用于将上面的结果解析为文本

output_parser = StrOutputParser()
chain = prompt | model | output_parser
使用大模型

这里有两种方式:

  1. 直接输出完整的文本
response = chain.invoke({"topic": "Python", "concept": "列表"})
print(response)
  1. 流文本输出(打字机)
for chunk in chain.stream({"topic": "人工智能", "concept": "神经网络"}):
    print(chunk, end="", flush=True)

如果❤喜欢❤本系列教程,就点个关注吧,后续不定期更新~

本文来自博客园,作者:ClownLMe,转载请注明原文链接:https://www.cnblogs.com/ClownLMe/p/19519224

温馨提示:以上内容整理于网络,仅供参考,如果对您有帮助,留下您的阅读感言吧!
相关阅读
本类排行
相关标签
本类推荐

CPU | 内存 | 硬盘 | 显卡 | 显示器 | 主板 | 电源 | 键鼠 | 网站地图

Copyright © 2025-2035 诺佳网 版权所有 备案号:赣ICP备2025066733号
本站资料均来源互联网收集整理,作品版权归作者所有,如果侵犯了您的版权,请跟我们联系。

关注微信