K60至尊版狂暴引擎2.0加持：超177萬跑分斬獲性能第一
Redmi的后性能時代戰略發布會今天下午如期舉辦，在本次發布會上，Redmi公布了多項關于和聯發科的深度合作，以及新機K60 Ultra在軟件和硬件方面的特性，例如：“K60 至尊版，雙芯旗艦
使用LangChain開發LLM應用時，需要機器進行GLM部署，好多同學第一步就被勸退了，那么如何繞過這個步驟先學習LLM模型的應用，對Langchain進行快速上手？本片講解3個把LangChain跑起來的方法，如有錯誤歡迎糾正。
Langchain官方文檔地址：https://python.langchain.com/
LLM 調用
Prompt管理，支持各種自定義模板
擁有大量的文檔加載器，比如 Email、Markdown、PDF、Youtube …
對索引的支持
Chains
詳細地址可參考：https://www.langchain.cn/t/topic/35
為了節約時間,直接上代碼
import osfrom decouple import configfrom langchain.agents import initialize_agentfrom langchain.agents import AgentTypefrom langchain.agents import load_tools這里mock下ChatGPT,使用mockLLm
#from langchain.llms import OpenAIfrom langchain.llms.fake import FakeListLLMos.environ["OPENAI_API_KEY"] = config('OPENAI_API_KEY')REPL 是 “Read–Eval–Print Loop”（讀取-求值-打印-循環）的縮寫，它是一種簡單的、交互式的編程環境。
在 REPL 環境中，用戶可以輸入一條或多條編程語句，系統會立即執行這些語句并輸出結果。這種方式非常適合進行快速的代碼試驗和調試。
tools = load_tools(["python_repl"])responses=[ "Action: Python REPL/nAction Input: chatGpt原理", "Final Answer: mock答案"]llm = FakeListLLM(responses=responses)agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)agent.run("chatGpt原理2")
from langchain.llms.human import HumanInputLLMfrom langchain.agents import load_toolsfrom langchain.agents import initialize_agentfrom langchain.agents import AgentTypefrom wikipedia import set_lang使用維基百科工具
tools = load_tools(["wikipedia"])這里必須要設置為中文url前綴，不然訪問不了
set_lang("zh")初始化LLM
llm = HumanInputLLM(prompt_func=lambda prompt: print(f"/n===PROMPT====/n{prompt}/n=====END OF PROMPT======"))初始化agent
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)agent.run("喜羊羊")1）注冊賬號
2）創建Access Tokens
Demo： 使用模型對文檔進行摘要
from langchain.document_loaders import UnstructuredFileLoaderfrom langchain.chains.summarize import load_summarize_chainfrom langchain.text_splitter import RecursiveCharacterTextSplitterfrom langchain import HuggingFaceHubimport osfrom decouple import configfrom langchain.agents import load_tools這里mock下ChatGPT,使用HUGGINGFACEHUB
os.environ["HUGGINGFACEHUB_API_TOKEN"] = config('HUGGINGFACEHUB_API_TOKEN')導入文本
loader = UnstructuredFileLoader("docment_store/helloLangChain.txt")將文本轉成 Document 對象
document = loader.load()print(f'documents:{len(document)}')初始化文本分割器
text_splitter = RecursiveCharacterTextSplitter( chunk_size = 500, chunk_overlap = 0)切分文本
split_documents = text_splitter.split_documents(document)print(f'documents:{len(split_documents)}')加載 LLM 模型
overal_temperature = 0.1flan_t5xxl = HuggingFaceHub(repo_id="google/flan-t5-xxl", model_kwargs={"temperature":overal_temperature, "max_new_tokens":200} ) llm = flan_t5xxltools = load_tools(["llm-math"], llm=llm)創建總結鏈
chain = load_summarize_chain(llm, chain_type="refine", verbose=True)執行總結鏈
chain.run(split_documents)作者：京東科技 楊建
來源：京東云開發者社區
本文鏈接：http://www.tebozhan.com/showinfo-26-84-0.html把LangChain跑起來的三個方法
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號