天峨县建设局网站电脑更新后wordpress

天峨县建设局网站,电脑更新后wordpress,做网站的公司地址,做外贸网站有什么用LangChain是一个用于构建智能体的开源框架#xff0c;可以集成任何模型或者工具。 它由大语言模型驱动#xff0c;只需要不到10行代码#xff0c;就可以连接OpenAI、Anthropic、谷歌等世界最先进的模型为你工作。 准备工作首先#xff0c;LangChain支持Python和Typescript可以集成任何模型或者工具。它由大语言模型驱动只需要不到10行代码就可以连接OpenAI、Anthropic、谷歌等世界最先进的模型为你工作。准备工作首先LangChain支持Python和Typescript在本系列文章中主要使用python进行演示安装LangChainpip install -U langchain # Python版本要求在3.10以上集成大模型LangChain支持了目前主流的各大AI平台如OpenAI、谷歌、Anthropic、DeepSeek等等你可以到下面这个地址看到所有支持的模型https://docs.langchain.com/oss/python/integrations/providers/overview# 安装openai相关支持 pip install -U langchain-openai # 安装DeepSeek相关支持 pip install -U langchain-deepseek当然也支持本地部署的大模型如Ollama、vLLM、SGLang等本地在开始使用LangChain写我们的第一行代码之前我们首先需要准备一个大模型的API通常来说有两种途径你可以在OpenAI,DeepSeek等官方网站上去申请一个账号获取一个api-key使用本地的服务器、电脑来部署一个本地的大模型使用Ollama、vLLM、SGLang等快速开始从调用一个DeepSeek开始from langchain_core.messages import HumanMessage from langchain_deepseek import ChatDeepSeek # api_base可以用于特定的代理地址或本地地址不填则默认使用DeepSeek官方# api_key来自DeepSeek官方申请得到model ChatDeepSeek(modeldeepseek-chat, # api_basehttp://localhost:8000/v1, api_keysk-xxxxx) result model.invoke(你好 DeepSeek!) print(result.content)运行可以看到输出代码如下我们就成功调用了 DeepSeek 。可以看到使用 LangChain 从创建项目到成功调用大模型大概只需要几分钟时间是非常简单的。LangChain 让我们可以节省出更多的时间来专注业务的构建不用再去重复造轮子了。如果你的电脑或服务器还不错也可以使用本地的 ollama 运行一个 Qwen3 来进行测试model ChatOllama(modelqwen3) result model.invoke(你好 Qwen3! \\no_think) print(result.content)在基础模型之上构建智能体我们使用 LangChain 主要是需要构建一个专属领域的智能体比如在一个 IDE 里创建一个 AI 编程助手在医生看诊时的一个写病历、下诊断助手公司内部的一个停车场查询助手等等假设我们实际的业务中有一个接口# 停车场车位信息 def get_parkinglot_info() - str: 获取停车场车位信息 # 我们可以假设系统中有 3 个停车场分别用 mock 的数据模拟 # 实际业务中可以通过接口查询 return (停车场车位信息如下\n1号车位已满 \n2号停车场剩余 20 个车位 \n3号停车场剩余 30 个车位)我们基于上述 DeepSeek 模型创建一个Agent让其可以帮我们在接口里自动查询出哪个停车场车位充足。from langchain.agents import create_agent from langchain_core.messages import HumanMessage, AIMessage from langchain_deepseek import ChatDeepSeek # 调用一个DeepSeek model ChatDeepSeek(modeldeepseek-chat, # 可以使用搭建的DeepSeek不填写则可以使用DeepSeek的公开API api_basehttp://localhost:8000/v1, api_key1) # 停车场车位信息 def get_parkinglot_info() - str: 获取停车场车位信息 # 我们可以假设系统中有 3 个停车场分别用 mock 的数据模拟 # 实际业务中可以通过接口查询 return (停车场车位信息如下\n1号车位已满 \n2号停车场剩余 20 个车位 \n3号停车场剩余 30 个车位) agent create_agent(model, system_prompt你是一个停车场车位查询助手, tools[get_parkinglot_info] ) result agent.invoke({messages: [HumanMessage(content哪个停车场还有车位)]}) for message in result.get(messages, []): if isinstance(message, AIMessage): print(message.content)查询结果如下为了更有效地对接系统让 AI 可以帮我们将非结构化的数据整理成结构化的数据方便进行处理再比如让 AI 帮我们找到车位最多的停车场并结构化成我们希望的样式class ParkinglotInfo(BaseModel): name: str Field(description停车场名称) num: int Field(description剩余车位数量)structured_agent create_agent(model, system_prompt你是一个停车场车位查询助手。请调用工具获取停车场信息然后按照用户要求的格式组织数据。, tools[get_parkinglot_info], response_formatToolStrategy(ParkinglotInfo))structure_result structured_agent.invoke({messages: [HumanMessage(请告诉我哪个停车场的车位最多并按照 {name:停车场名称,num:数量} 的格式进行组织)]}) print(f) print(f结构化输出结果{structure_result[structured_response]})# 输出结果# # 结构化输出结果name3号停车场 num30Tip值得注意的是在最后输出结构化时很可能出现报错如果排除了网不通/代码写错等等问题后依然出现那么通常有两种可能性小规模模型的指令跟随能力、文档总结能力、结构化能力有缺陷即使是最先进的模型如 DeepSeek-V3.2也会因为提供厂商的工程能力官方和第三方差异导致输出结果不符合预期1。在初学时极容易遇到这个问题卡主解决方案如下财力够建议尽量使用官方提供的模型如 DeepSeek 官方、OpenAI 官方等等避免使用第三方。资金有限尽量使用 Qwen3系列 这种指令跟随能力较强的小模型会减少很多因为模型能力不足导致的问题结语本篇文章中我们了解到了在 AI 应用开发中如何使用 LangChain 快速连接一个大语言模型构建一个简单的 Agent使用大语言模型进行工具调用以及结构化输出。参考文献1. https://docs.langchain.com/oss/python/langchain/overview附注1. DeepSeek-v3.2 指令跟随缺陷导致的 Agent 输出不符合预期如果你在使用 DeepSeek-V3.2 这种旗舰模型时出现了类似下面的问题那么恭喜你通常这是一个本地部署/第三方提供的 DeepSeek 缺陷导致的问题解决方法使用官方提供的 DeepSeek 接口将你部署的 SGLang 版本升级到 0.5.7写稿时暂未发布以上版本来解决这个问题2. 有没有比较价廉物美小模型测试方案这里我推荐使用qwen3:4b-instruct-2507-fp16这个模型你可以直接使用ollama run qwen3:4b-instruct-2507-fp16来运行这个模型即使性能较差的电脑也可以顺利运行。如果你的电脑还不错那么qwen3:30b-instruct这个模型也可以尝试一下性能会好很多。qwen3 系列模型包括语音、图像、视频等多模态模型在应对LangChain学习的任务上应该都可以胜任那么本篇文章就到这里啦感谢你的阅读我们一起加油想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明 AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”