我正在参加「豆包MarsCode AI练中学体验活动」
1.LangChain介绍
LangChain是一个基于大语言模型（LLMs）用于构建端到端语言模型应用的框架，它可以让开发者使用语言模型来实现各种复杂的任务，例如文本到图像的生成、文档问答、聊天机器人等。LangChain提供了一系列工具、套件和接口，可以简化创建由LLMs和聊天模型提供支持的应用程序的过程。
2.LangChain6大组件
- 模型（Models） ，包含各大语言模型的LangChain接口和调用细节，以及输出解析机制。
- 提示模板（Prompts） ，使提示工程流线化，进一步激发大语言模型的潜力。
- 数据检索（Indexes） ，构建并操作文档的方法，接受用户的查询并返回最相关的文档，轻松搭建本地知识库。
- 记忆（Memory） ，通过短时记忆和长时记忆，在对话过程中存储和检索数据，让ChatBot记住你是谁。
- 链（Chains） ，是LangChain中的核心机制，以特定方式封装各种功能，并通过一系列的组合，自动而灵活地完成常见用例。
- 代理（Agents） ，是另一个LangChain中的核心机制，通过"代理"让大模型自主调用外部工具和内部工具，使强大的"智能化"自主Agent成为可能！你的 App 将产生自驱力！
3.入门案例
3.1环境搭建
1.注册账号:
2.创建APIKEY:
3.创建在线推理模型
API调用代码：
4.安装opanai>=1.0，配置/API_KEY到环境变量（非必要，也可以写入配置文件），注意获取示例代码中的endpoint，也就是上图中的ID
3.2案例1：情人节玫瑰宣传语
Q： 情人节到啦，你的花店需要推销红色玫瑰，那么咱们让大语言模型做的第一个应用，就是给咱们生成简短的宣传语。
- 今天是2024.11.16,火山方舟中没有给出语言模型的sdk文档，因此进行尝试，参考了AI练中学的代码，然后替换成为自己的API_KEY最终实现,最终实现代码如下：
注意代码中的API_KEY以及model需要替换
python
# pip install langchain_openai==0.1.23
import os
os.environ["OPENAI_API_KEY"] ='YOUR_API_KEY'
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model='ep-20241104131149-csxf9',
base_url = "https://ark.cn-beijing.volces.com/api/v3",
)
text = llm.predict("请给我写一句情人节红玫瑰的中文宣传语")
print(text)3.3海报文案生成器
你已经制作好了一批鲜花的推广海报，想为每一个海报的内容，写一两句话，然后post到社交平台上，以期图文并茂。
这个需求，特别适合让AI帮你批量完成，不过，ChatGPT网页可不能读图。下面，我们就用LangChain的"代理"调用"工具"来完成自己做不到的事情。
- 在开始之前我们需要重复环境准备的过程去创建一个4kfunction的在线推理，我们同样需要获取到它的ID作为模型（略）
- 注意需要安装的包有点多，如果对包的版本有问题请提出或者在AI练中学中找到相应版本,对应huggingface的安装需要漫长的时间
bash
pip install langchain==0.2.16
pip install transformers
pip install pillow
pip install torch torchvision torchaudio我们就用一段简单的代码实现上述功能。这段代码主要包含三个部分：
- 初始化图像字幕生成模型（HuggingFace中的image-caption模型）。
- 定义LangChain图像字幕生成工具。
- 初始化并运行LangChain Agent（代理），这个Agent是OpenAI的大语言模型，会自动进行分析，调用工具，完成任务。
python
function_model = 'ep-20241106151550-zwgpt'
api_key = ''
img_url = "https://lf3-static.bytednsdoc.com/obj/eden-cn/lkpkbvsj/ljhwZthlaukjlkulzlp/eec79e20058499.563190744f903.jpg"
# ---- 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_openai import ChatOpenAI
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"
cache_dir = "./cache"\
# 确保缓存目录存在
os.makedirs(cache_dir, exist_ok=True)
print("正在初始化图像字幕生成模型...")
# 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, cache_dir=cache_dir)
# 然后我们初始化工具模型本身
model = BlipForConditionalGeneration.from_pretrained(hf_model, cache_dir=cache_dir)
print("初始化图像字幕生成模型成功")
# ---- Part II 定义图像字幕生成工具类
class ImageCapTool(BaseTool):
name = "Image captioner"
description = "使用该工具可以生成图片的文字描述，需要传入图片的URL."
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智能体
# llm = OpenAI(temperature=0.2)
llm = ChatOpenAI(
model=function_model,
temperature=0,
api_key = api_key,
base_url = "https://ark.cn-beijing.volces.com/api/v3",
)
print("初始化大语言模型成功")
# 使用工具初始化智能体并运行
tools = [ImageCapTool()]
agent = initialize_agent(
agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
tools=tools,
llm=llm,
verbose=True,
handle_parsing_errors=True,
)
# agent.run(input=f"{img_url}\n请创作合适的中文推广文案")
agent.invoke(input=f"图片链接如下：{img_url}\n 请为这张图创作合适的中文推广文案")说明：因为temperature=0.2代表模型拥有一定的随机性
针对上面的鲜花图片，程序进入了AgentExecutor链，开始思考推理，并采取行动------调用Image Cationer工具，接收该工具给出的结果，并根据其返回的内容，再次进行思考推理，最后给出的文案是："爱，让每一天充满美丽，让每一个心情都充满甜蜜。 " 多么浪漫而又富有创意，大模型懂我！