当前位置: 首页 > news >正文

Vue + Iframe 实战:打造企业级流程配置中心潭

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:

直接输出完整的文本

response = chain.invoke({"topic": "Python", "concept": "列表"})

print(response)

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)鞘氏沧心

http://www.cnnetsun.cn/news/1828757.html

相关文章:

  • 2026届毕业生推荐的十大AI论文工具推荐
  • CUDA P2P技术在多GPU内存高效传输中的应用与优化
  • Steam Economy Enhancer:Steam交易效率提升87%的终极解决方案
  • 从原理到临床:深度解析MRI特殊与辅助成像技术的协同应用
  • 如何高效使用智能激活工具:KMS_VL_ALL_AIO完整实践指南
  • 区块链技术在iPaaS系统集成中的应用
  • 告别臃肿官方软件:惠普暗影精灵笔记本的终极性能管理方案OmenSuperHub
  • 为什么你的大模型无法回滚:从Docker镜像、权重哈希、Prompt Schema到推理API契约的全链路版本断点分析
  • STM32F103C8T6实战:R9DS接收机SBUS信号解析与舵机控制
  • Python实战:用NumPy轻松搞定n维矩阵特征向量计算(附完整代码)
  • PyTorch梯度累积实战:如何用4GB显存训练ResNet50(附完整代码)
  • Umi-CUT:图片批量处理的终极解决方案,三步实现自动化编辑
  • 【地理探测器】实战:从方差分解到风险区划,四步解锁空间分异密码
  • 如何快速解决安卓连接问题:终极ADB驱动安装完整指南
  • Meta新模型Muse Spark,能否逆袭AI战场?
  • 微软发布的《生成式人工智能初学者.NET 第二版》课程纫
  • Word+正则表达式:三步搞定批量图片题注(手把手教程)
  • Android语言管理革命:为每个应用独立设置语言的终极方案
  • AI-Python多技术融合下双碳与生态水文关键技术(蒸散发组分解析/GPP估算)实践应用
  • 瑞源锅炉:电加热导热油炉厂家推荐
  • 【大模型工程化生死线】:版本失控=线上崩盘?3步构建军工级回滚机制
  • AI智能体实战|基于扣子Coze打造高效信息收集系统,无缝对接微信公众号
  • Qwen3-0.6B-FP8多场景落地:律师合同审查要点提示、医生用药禁忌提醒
  • KEYSIGHT是德 B2985A静电计 B2985B高阻表
  • Windows Subsystem for Android (WSA) 终极指南:在Windows上轻松运行Android应用
  • 终极跨平台资源捕获工具:3步实现智能下载多平台内容
  • GetQzonehistory:如何一键备份你所有的QQ空间说说记忆
  • 大模型推理服务单位Token成本如何压至$0.00014?:2026最新MoE动态路由+FP8+内存池三级压缩法
  • 【限时开放】SITS2026首批认证通道开启倒计时:仅剩87个企业席位,完成L4级工程化评估即可获信通院联合签发的《大模型工程就绪证书》
  • Unity3D 渲染管线优化实战:从理论到性能提升