langchain + azure chatgpt组合配置并运行

首先默认你已经有了azure的账号。

最重要的是选择gpt-35-turbo-instruct模型、api_version:2023-05-15,就这两个参数谷歌我尝试了很久才成功。

我们打开https://portal.azure.com/#home,点击更多服务:

我们点击Azure OpenAI:

再点击创建:

azure访问有点慢,我们等一会后会跳转到下面页面:

如果没有资源组,则输入一个就行:

点击确定。

再看实例名称和定价层:

这里的名称会体现到最终调用时的接口域名地址,比如我们这里是在langchain中使用,我们就输入这个名称了,定价层就选择和我一样的就行,具体什么作用见:https://azure.microsoft.com/zh-cn/pricing/details/iot-central/

回到正文,上述必填项都填好后,点击下一页:

选择第一个:

再点下一页:

这一步的标记,我也没搞懂啥作用,我就跳过了,也不影响后面的使用,有知道的朋友也可以在评论区告诉我一下,我这里是直接点下一页了。

确认没问题后点击创建,之后系统会开始部署资源,部署好是这样的,我们点击转到资源:

我们先点击:单击此处查看终结点:

我们复制一下其中一个密钥和终结点的链接,因为在langchain要用到:

我们再点击模型部署:

这里要点击管理部署,跳转新页面。

在管理部署页,我们先看看模型:

这里按流程操作一下,主要是为了看哪个能用以langchain:

这里有好几个是可以完成的:

我们再回到部署页,输入:gpt-35-turbo-instruct:

最后点击创建,等待部署,这个步骤挺快的:

部署好了:

OK,到此为知,azure相关的资源配置就完成了,接下来我们去langchain中配置并调通azure chatgpt接口:

使用conda创建一个虚拟python环境:

conda create -n loogchain_study1 python=3.10

当然也可以不创建虚拟环境,看个人习惯,创建虚拟环境只是为了pip包之间隔离,每个项目使用不一样的python版本和pip包。

创建好环境后,还需要激活环境:

conda activate loogchain_study1

再pip安装一下langchain所需的包:

pip install langchain_openai

pip install langchain

我们新建一个空目录专门用来放langchain的学习项目,我的做法是在这个空目录下建立setting.py(配置环境变量)和main.py(调用):

setting.py代码如下:

import os

传入刚才复制的密钥,就是有两个的密钥,复制其中一个即可

OPENAI_API_KEY = "xxxxxxxxxxxx"

这里的链接是终结点,直接复制过来就行

AZURE_OPENAI_ENDPOINT = "https://openai-study-yifang.openai.azure.com/"

其他参数不用动了

OPENAI_API_VERSION = "2023-05-15"

deployment_name = "gpt-35-turbo-instruct"

os.environ"OPENAI_API_KEY" = OPENAI_API_KEY

os.environ"AZURE_OPENAI_ENDPOINT" = AZURE_OPENAI_ENDPOINT

os.environ"OPENAI_API_VERSION" = OPENAI_API_VERSION

main.py最小可运行代码:

from langchain_openai import AzureOpenAI

import setting

llm = AzureOpenAI(deployment_name=setting.deployment_name)

直接发起会话

def direct_chat():

text = "来个笑话"

print(llm(text))

if name == 'main':

direct_chat()

点击pycharm的运行:

就有结果了:

最后附上langchain的中文网指南:https://www.langchain.asia/getting_started/getting_started

这篇文章就到这里啦!如果你对文章内容有疑问或想要深入讨论,欢迎在评论区留言,我会尽力回答。同时,如果你觉得这篇文章对你有帮助,不妨点个赞并分享给其他同学,让更多人受益。

想要了解更多相关知识,可以查看我以往的文章,其中有许多精彩内容。记得关注我,获取及时更新,我们可以一起学习、讨论技术,共同进步。

感谢你的阅读与支持,期待在未来的文章中与你再次相遇!

相关推荐
孤狼GPT9 小时前
ChatGPT、Codex实战:为什么AI改代码越来越快,但你越来越不敢直接合并?
chatgpt·codex·ai agent·chatgpt plus·chatgpt pro·ai coding
用户3884567199549 小时前
LangChain 源码解析:HumanInTheLoopMiddleware 如何实现 Agent 人机协同
langchain
l12586510 小时前
# RAG向量数据库优化实战:HNSW索引调参与生产级性能设计
数据库·python·mysql·langchain
松小鼠呀11 小时前
我不敢再生孩子:ChatGPT 曾花 $2m 让他闭嘴,AI 巨头到底隐藏了什么秘密?
人工智能·安全·chatgpt·ai编程·科技热点
l12586512 小时前
# RAG噪声知识库治理:一致性与可信度的四层防线设计
数据库·人工智能·python·自然语言处理·langchain
二进制_博客12 小时前
rag面试题之rag 系统如何解决 llm 的幻觉问题
langchain·rag
jyOverQ14 小时前
LangGraph 流式执行详解:stream、astream 与 stream_mode 怎么选?
python·langchain
仙逆GPT15 小时前
ChatGPT、Codex趋势:为什么AI时代最重要的能力,不是写代码,而是定义问题?
chatgpt·codex·ai agent·chatgpt plus·chatgpt pro·ai coding
l12586516 小时前
# RAG低延迟架构设计:从5秒到500ms的优化全链路
数据库·人工智能·python·langchain
睡觉时不困44216 小时前
17.LangChain 1.0+ 第五篇:Tools 工具——让大模型从认识世界到改变世界
langchain