Umfassender Einsteigerleitfaden zur generativen KI mit LangChain und Python – 3

Generative KI ermöglicht es Systemen, Texte, Bilder, Code oder andere Formen von Inhalten basierend auf Daten und Eingabeaufforderungen zu erstellen. LangChain ist ein Framework, das die Arbeit mit generativen KI-Modellen vereinfacht, indem es Arbeitsabläufe orchestriert, Eingabeaufforderungen verwaltet und erweiterte Funktionen wie Speicher und Werkzeugintegration ermöglicht.

Dieser Leitfaden stellt die wichtigsten Konzepte und Tools vor, die für den Einstieg in die generative KI mit LangChain und Python erforderlich sind.

---

1. Was ist LangChain?

LangChain ist ein Python-basiertes Framework zum Erstellen von Anwendungen mit großen Sprachmodellen (LLMs) wie den GPT- oder Hugging-Face-Modellen von OpenAI. Es hilft:

• Eingabeaufforderungen verwalten: Erstellen Sie wiederverwendbare, strukturierte Eingabeaufforderungen.
• Kettenworkflows: Kombinieren Sie mehrere LLM-Aufrufe in einem einzigen Workflow.
• Tools verwenden: Ermöglichen Sie KI-Modellen die Interaktion mit APIs, Datenbanken und mehr.
• Speicher hinzufügen: Ermöglichen Sie Modellen, sich an vergangene Interaktionen zu erinnern.

---

2. Einrichten Ihrer Umgebung

a) Installieren Sie die erforderlichen Bibliotheken

Installieren Sie zunächst LangChain und die zugehörigen Bibliotheken:

pip install langchain openai python-dotenv streamlit

b) Richten Sie Ihren OpenAI-API-Schlüssel ein

1. Melden Sie sich für ein OpenAI-Konto an und erhalten Sie Ihren API-Schlüssel: OpenAI API.
2. Erstellen Sie eine .env-Datei in Ihrem Projektverzeichnis und fügen Sie Ihren API-Schlüssel hinzu:

   OPENAI_API_KEY=your_api_key_here

1. Laden Sie den API-Schlüssel mit dotenv in Ihr Python-Skript:

   from dotenv import load_dotenv
   import os

   load_dotenv()
   openai_api_key = os.getenv("OPENAI_API_KEY")

---

3. Schlüsselkonzepte in LangChain

a) Eingabeaufforderungen

Eingabeaufforderungen leiten die KI an, die gewünschten Ausgaben zu generieren. Mit LangChain können Sie Eingabeaufforderungen mithilfe von PromptTemplate systematisch strukturieren.

from langchain.prompts import PromptTemplate

# Define a template
template = "You are an AI that summarizes text. Summarize the following: {text}"
prompt = PromptTemplate(input_variables=["text"], template=template)

# Generate a prompt with dynamic input
user_text = "Artificial Intelligence is a field of study that focuses on creating machines capable of intelligent behavior."
formatted_prompt = prompt.format(text=user_text)
print(formatted_prompt)

b) Sprachmodelle

LangChain lässt sich in LLMs wie die GPT- oder Hugging-Face-Modelle von OpenAI integrieren. Verwenden Sie ChatOpenAI für OpenAI GPT.

from langchain.chat_models import ChatOpenAI

# Initialize the model
chat = ChatOpenAI(temperature=0.7, openai_api_key=openai_api_key)

# Generate a response
response = chat.predict("What is Generative AI?")
print(response)

c) Ketten

Ketten kombinieren mehrere Schritte oder Aufgaben in einem einzigen Workflow. Eine Kette könnte zum Beispiel:

sein

1. Ein Dokument zusammenfassen.
2. Generieren Sie eine Frage basierend auf der Zusammenfassung.

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# Create a prompt and chain
template = "Summarize the following text: {text}"
prompt = PromptTemplate(input_variables=["text"], template=template)
chain = LLMChain(llm=chat, prompt=prompt)

# Execute the chain
result = chain.run("Generative AI refers to AI systems capable of creating text, images, or other outputs.")
print(result)

d) Erinnerung

Speicher ermöglicht es Modellen, den Kontext über mehrere Interaktionen hinweg beizubehalten. Dies ist nützlich für Chatbots.

from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

# Initialize memory and the conversation chain
memory = ConversationBufferMemory()
conversation = ConversationChain(llm=chat, memory=memory)

# Have a conversation
print(conversation.run("Hi, who are you?"))
print(conversation.run("What did I just ask you?"))

---

4. Beispielanwendungen

a) Textgenerierung

Generieren Sie mithilfe von Eingabeaufforderungen kreative Antworten oder Inhalte.

from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate

chat = ChatOpenAI(temperature=0.9, openai_api_key=openai_api_key)
prompt = PromptTemplate(input_variables=["topic"], template="Write a poem about {topic}.")
chain = LLMChain(llm=chat, prompt=prompt)

# Generate a poem
result = chain.run("technology")
print(result)

b) Zusammenfassung

Dokumente oder Texte effizient zusammenfassen.

pip install langchain openai python-dotenv streamlit

c) Chatbots

Erstellen Sie einen interaktiven Chatbot mit Gedächtnis.

   OPENAI_API_KEY=your_api_key_here

---

5. Erweiterte Funktionen

a) Werkzeuge

Ermöglichen Sie Modellen den Zugriff auf externe Tools wie Websuche oder Datenbanken.

   from dotenv import load_dotenv
   import os

   load_dotenv()
   openai_api_key = os.getenv("OPENAI_API_KEY")

b) Benutzerdefinierte Ketten

Erstellen Sie benutzerdefinierte Workflows, indem Sie mehrere Aufgaben kombinieren.

from langchain.prompts import PromptTemplate

# Define a template
template = "You are an AI that summarizes text. Summarize the following: {text}"
prompt = PromptTemplate(input_variables=["text"], template=template)

# Generate a prompt with dynamic input
user_text = "Artificial Intelligence is a field of study that focuses on creating machines capable of intelligent behavior."
formatted_prompt = prompt.format(text=user_text)
print(formatted_prompt)

---

6. Bereitstellung mit Streamlit

Erstellen Sie mit Streamlit eine einfache Web-App für Ihr generatives KI-Modell.

Streamlit installieren:

from langchain.chat_models import ChatOpenAI

# Initialize the model
chat = ChatOpenAI(temperature=0.7, openai_api_key=openai_api_key)

# Generate a response
response = chat.predict("What is Generative AI?")
print(response)

Einfache App:

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# Create a prompt and chain
template = "Summarize the following text: {text}"
prompt = PromptTemplate(input_variables=["text"], template=template)
chain = LLMChain(llm=chat, prompt=prompt)

# Execute the chain
result = chain.run("Generative AI refers to AI systems capable of creating text, images, or other outputs.")
print(result)

Führen Sie die App aus:

from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

# Initialize memory and the conversation chain
memory = ConversationBufferMemory()
conversation = ConversationChain(llm=chat, memory=memory)

# Have a conversation
print(conversation.run("Hi, who are you?"))
print(conversation.run("What did I just ask you?"))

---

7. Schlüsselkonzepte für Entwickler generativer KI

a) Feinabstimmung der Modelle

Lernen Sie, Modelle wie GPT oder Stable Diffusion an benutzerdefinierten Datensätzen zu optimieren.

b) Promptes Engineering

Meistern Sie die Erstellung effektiver Eingabeaufforderungen, um die gewünschten Ergebnisse zu erzielen.

c) Multimodale KI

Arbeiten Sie mit Modellen, die Text, Bilder und andere Modalitäten kombinieren (z. B. DALL·E oder CLIP von OpenAI).

d) Skalierung und Bereitstellung

Stellen Sie Modelle mithilfe von Cloud-Diensten oder Tools wie Docker in Produktionsumgebungen bereit.

---

8. Ressourcen

• LangChain-Dokumentation: LangChain-Dokumente
• OpenAI-API: OpenAI-Dokumente
• Modelle mit umarmendem Gesicht: Umarmendes Gesicht

---

Wenn Sie diesem Leitfaden folgen, erwerben Sie die grundlegenden Kenntnisse, die Sie zum Erstellen generativer KI-Anwendungen mit Python und LangChain benötigen. Beginnen Sie zu experimentieren, erstellen Sie Arbeitsabläufe und tauchen Sie tiefer in die aufregende Welt der KI ein!

Das obige ist der detaillierte Inhalt vonUmfassender Einsteigerleitfaden zur generativen KI mit LangChain und Python – 3. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!