如何使用簡化和Langchain為AI應用程序構建用戶界面

本教程演示了與Neo4J Graph數據庫相互作用的Langchain應用程序的簡化UI。 它使用檢索增強一代（RAG）創建了一個聊天機器人，以回答有關國際足球歷史的問題。讓我們探索關鍵步驟和概念。

>

教程利用了幾種技術：

• >流lit：一個用於快速構建用戶友好的Web應用程序的Python框架。 它提供了用於顯示聊天消息並接受用戶輸入的組件，創建類似於ChatGpt的接口。
• > langchain：一個統一各種LLM的框架，簡化了LLMS與其他工具的集成。 在這裡，它將OpenAI的GPT模型連接到數據庫。 >
• neo4j（帶有Auradb）：一個圖形數據庫非常適合存儲諸如足球運動員，球隊，比賽和比賽之類的互連數據。 該教程使用基於雲的AuradB實例。 >
檢索增強生成（RAG）：一種技術增強了LLM，並從數據庫中檢索到信息。 聊天機器人使用抹布回答有關足球歷史的特定問題。
• >使用的數據是一個Kaggle數據集，其中包含超過47,000場比賽，包括分數，射手和匹配細節。 該數據被攝入到NEO4J數據庫中。 聊天機器人的圖表包括針對玩家，團隊，比賽，比賽，城市和國家 /地區的節點，與諸如“ play_home”和“ corkored_for”之類的關係聯繫在一起。
教程將逐步構建聊天機器人：>

>環境設置：

創建一個conda環境並安裝必要的庫（Sparlit，Langchain，Langchain-Openai，Langchain-Community，neo4j）。 秘密（neo4j uri，用戶名，密碼和OpenAI API鍵）存儲在

>中。

1. 庫導入和秘密加載：.streamlit/secrets.toml使用

   。

2. >身份驗證：側欄提示用戶的OpenAI API鍵。 st.secrets

>
3. >數據庫連接和QA鏈初始化：

   函數連接到neo4j，使用刷新架構，並初始化a>。

   緩存這些資源以提高效率。

4. 消息歷史記錄：init_resources簡化的會話狀態管理聊天歷史記錄，使用GraphCypherQAChain>和ChatOpenAI顯示先前的消息。 st.cache_resource

5. 聊天組件：

   函數執行鏈條，處理潛在錯誤。 st.chat_message接受用戶查詢，並使用st.markdown。

   顯示響應

6. > 代碼優化：將代碼重構為更好的組織中的模塊化文件（graph_utils.py和chat_utils.py）。

7. >>部署：該應用程序已部署到簡化雲，需要> requirements.txt文件和秘密管理。

最終應用程序提供了一個用戶友好的接口，用於查詢足球數據庫。 該教程還強調，儘管UI開發相對簡單，因此優化了基本查詢的產生並確保准確性需要大量的努力。 提供的示例雖然功能是起點，並且可能需要進一步改進生產使用。 該教程以常見問題解答為結尾，解決了有關所需技能，成本，數據庫替代方案以及聊天機器人與Chatgpt的差異的常見問題。

（注意：圖像URL是佔位符，如果要包含圖像，則需要用實際的圖像URL替換。）

以上是如何使用簡化和Langchain為AI應用程序構建用戶界面的詳細內容。更多資訊請關注PHP中文網其他相關文章！