01LangChain 实战课开篇——AI奇点时刻

LangChain 实战课开篇------AI奇点时刻

课程简介

课程背景：随着ChatGPT和GPT-4的出现，AI技术与实际应用之间的距离变得前所未有的近。LangChain作为基于大模型的应用开发框架，为程序员提供了开发智能应用的新工具。

LangChain 概述

定义：LangChain是一个利用大语言模型（LLMs）构建端到端语言模型应用的框架。
目标：释放大语言模型的潜能，实现数据感知和代理性，即连接数据源和环境交互的能力。

课程模块

启程篇：从 0 到 1

系统安装：介绍LangChain的安装流程。
快速入门：指导构建基于"易速鲜花"本地知识库的智能问答系统。

基础篇：深入 6 大组件

模型（Models）：接口调用和输出解析。
提示模板（Prompts）：优化提示工程。
数据检索（Indexes）：文档构建和查询返回。
记忆（Memory）：对话中的数据存储和检索。
链（Chains）：封装功能，完成常见用例。
代理（Agents）：自主调用工具，实现智能化。

应用篇：积累场景中的智慧

实际场景应用：展示LangChain组件在实际场景中的应用，如嵌入式存储、数据库连接、异步通信等。

实战篇：动手！

部署与开发：学习部署鲜花网络电商人脉工具和聊天客服机器人。

LangChain 有趣用例

应用 1：情人节玫瑰宣传语

技术实现：通过LangChain调用OpenAI GPT模型生成宣传语。

代码示例 ：

python 复制代码

import os
from langchain_openai import OpenAI

os.environ["OPENAI_API_KEY"] = '你的OpenAI Key'
llm = OpenAI(model_name="gpt-3.5-turbo-instruct", max_tokens=200)
text = llm.invoke("请给我写一句情人节红玫瑰的中文宣传语")
print(text)

实践 1：豆包宣传语

代码示例 ：

python 复制代码

import os
from langchain_openai import OpenAI

os.environ["OPENAI_API_KEY"] = '你的OpenAI Key'
llm = OpenAI(model_name="gpt-3.5-turbo-instruct", max_tokens=200)
text_one = llm.predict("请给我写一句豆包的中文宣传语")
print(text_one)

应用 2：海报文案生成器

技术实现：利用LangChain的"代理"功能调用图像字幕生成工具，批量生成文案。
代码示例：

python 复制代码

#---- Part 0 导入所需要的类
import os
import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration
from langchain.tools import BaseTool
from langchain import OpenAI
from langchain.agents import initialize_agent, AgentType

#---- Part I 初始化图像字幕生成模型
# 指定要使用的工具模型（HuggingFace中的image-caption模型）
hf_model = "Salesforce/blip-image-captioning-large"

# 初始化处理器和工具模型
# 预处理器将准备图像供模型使用
processor = BlipProcessor.from_pretrained(hf_model)
# 然后我们初始化工具模型本身
model = BlipForConditionalGeneration.from_pretrained(hf_model)

#---- Part II 定义图像字幕生成工具类
class ImageCapTool(BaseTool):
   
    name = "Image captioner"
    description = "为图片创作说明文案."

    def _run(self, url: str):
        # 下载图像并将其转换为PIL对象
        image = Image.open(requests.get(url, stream=True).raw).convert('RGB')
        # 预处理图像
        inputs = processor(image, return_tensors="pt")
        # 生成字幕
        out = model.generate(**inputs, max_new_tokens=20)
        # 获取字幕
        caption = processor.decode(out[0], skip_special_tokens=True)
        return caption
    
    def _arun(self, query: str):
        raise NotImplementedError("This tool does not support async")

#---- PartIII 初始化并运行LangChain智能代理
# 设置OpenAI的API密钥并初始化大语言模型（OpenAI的Text模型）
os.environ["OPENAI_API_KEY"] = '你的OpenAI API Key'
llm = OpenAI(temperature=0.2)

# 使用工具初始化智能代理并运行它
tools = [ImageCapTool()]
agent = initialize_agent(
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    tools=tools,
    llm=llm,
    verbose=True,
)
img_url = 'https://mir-s3-cdn-cf.behance.net/project_modules/hd/eec79e20058499.563190744f903.jpg'
agent.invoke(input=f"{img_url}\n请创作合适的中文推广文案")

结语

LangChain不仅仅是一个技术工具，它是一个开启AI无限可能的钥匙。它允许我们通过理解和推理来决定执行的操作和顺序，而不是设计固定的逻辑。这是一个全新的编程范式，预示着一个更加智能、自动化的未来。

以上是LangChain实战课的课堂笔记，希望能够帮助你更好地理解和掌握LangChain的基本概念和应用。随着课程的深入，我们将一起探索更多LangChain的高级功能和实际应用案例。让我们一起期待在AI的世界里解锁更多可能！