So erstellen Sie Benutzeroberflächen für AI -Anwendungen mit Streamlit und Langchain

Dieses Tutorial zeigt, dass das Erstellen einer stromlitischen Benutzeroberfläche für eine Langchain -Anwendung erstellt wird, die mit einer NEO4J -Diagrammdatenbank interagiert. Es schafft einen Chatbot, der Fragen zur internationalen Fußballgeschichte mit Abruf Augmented Generation (RAG) beantwortet. Erforschen wir die wichtigsten Schritte und Konzepte.

Das Tutorial nutzt verschiedene Technologien:

• Streamlit: Ein Python-Framework zum schnellen Erstellen benutzerfreundlicher Web-Apps. Es bietet Komponenten zum Anzeigen von Chat-Nachrichten und zum Akzeptieren von Benutzereingaben und zum Erstellen einer ChatGPT-ähnlichen Schnittstelle.
• Langchain: Ein Framework, das verschiedene LLMs entspricht und die Integration von LLMs mit anderen Tools vereinfacht. Hier verbindet es die GPT -Modelle von OpenAI mit der Datenbank.
• Neo4j (mit Auradb): Eine Diagrammdatenbank ideal zum Speichern von miteinander verbundenen Daten wie Fußballspieler, Teams, Spielen und Turnieren. Das Tutorial verwendet eine Cloud-basierte Auradb-Instanz.
• Abrufener Augmented Generation (RAG): Eine Technik, die LLMs mit Informationen verbessert, die aus einer Datenbank abgerufen werden. Der Chatbot verwendet Rag, um bestimmte Fragen zur Fußballgeschichte zu beantworten.

Die verwendeten Daten sind ein Kaggle -Datensatz mit über 47.000 Übereinstimmungen, einschließlich Punktzahlen, Torschützen und Übereinstimmungen. Diese Daten werden in die NEO4J -Datenbank aufgenommen. Das Grafikschema des Chatbot enthält Knoten für Spieler, Teams, Spiele, Turniere, Städte und Länder, die durch Beziehungen wie "gespieltes_Home" und "Scored_for" verbunden sind.

Das Tutorial führt durch den Bau des Chatbot schrittweise:

1. Umgebungsaufbau: Erstellen einer Konda-Umgebung und Installation der erforderlichen Bibliotheken (Streamlit, Langchain, Langchain-Openai, Langchain-Community, Neo4j). Geheimnisse (Neo4j URI, Benutzername, Passwort und OpenAI -API -Schlüssel) werden in .streamlit/secrets.toml.

   gespeichert

2. Bibliotheksimporte und geheime Laden: Importieren der erforderlichen Module und Ladegeheimnisse mit st.secrets.

3. Authentifizierung: Eine Seitenleiste fordert den Benutzer für den OpenAI -API -Schlüssel auf.

4. Datenbankverbindung und QA -Ketteninitialisierung: Die init_resources -Funktion stellt eine Verbindung zu Neo4J her, aktualisiert das Schema und initialisiert ein GraphCypherQAChain mit ChatOpenAI. st.cache_resource zwischenstrichen diese Ressourcen für Effizienz.

5. Nachrichtenverlauf: Streamlits Sitzungsstatus verwaltet Chat -Verlauf und Anzeige früherer Nachrichten mit st.chat_message und st.markdown.

6. CHAT -Komponenten: Die query_graph -Funktion führt die Kette aus und bearbeitet potenzielle Fehler. st.chat_input akzeptiert Benutzeranfragen und die Antwort wird mit st.chat_message.

   angezeigt

7. Codeoptimierung: Der Code wird in modulare Dateien (graph_utils.py und chat_utils.py) für eine bessere Organisation neu gestaltet.

   .

8. Bereitstellung: requirements.txt Die App wird in der Streamlit Cloud bereitgestellt, wobei eine

   Datei- und Geheimnisseverwaltung erforderlich ist.

Die endgültige Anwendung bietet eine benutzerfreundliche Schnittstelle zur Abfrage der Fußballdatenbank. Das Tutorial betont auch, dass die UI -Entwicklung zwar relativ einfach ist, die zugrunde liegende Abfrageerzeugung zu optimieren und sicherzustellen, dass die Genauigkeit erhebliche Anstrengungen erfordert. Das vorgesehene Beispiel dient zwar funktionsfähig, dient als Ausgangspunkt und erfordert möglicherweise eine weitere Verfeinerung für die Produktionsnutzung. Das Tutorial schließt mit FAQs, die gemeinsame Fragen zu den erforderlichen Fähigkeiten, Kosten, Datenbankalternativen und den Unterschieden des Chatbots zu Chatgpt.

behandeln.

(Hinweis: Die Bild -URLs sind Platzhalter und müssen durch tatsächliche Bild -URLs ersetzt werden, wenn Sie die Bilder einschließen möchten.)

Das obige ist der detaillierte Inhalt vonSo erstellen Sie Benutzeroberflächen für AI -Anwendungen mit Streamlit und Langchain. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!