DeepSeek结合Langchain的基本用法

使用 LangChain 和 DeepSeek 构建文案助手智能体 LangChain 是一个高度灵活的框架,允许开发者将大语言模型(如 GPT)与各种外部工具结合使用,构建功能丰富的智能体。LangChain 的核心原理是将多个功能组合成一个智能体,以便在复杂的任务中实现自动化。 阅读详情
AI摘要

本文介绍了DeepSeek结合Langchain的基本用法,包括如何基于Openai接口规范实现Prompt应答,以及如何利用Langchain进行结构化返回。同时,文章还探讨了大模型的学习路径和实战案例,为AI大模型技术的学习者提供了系统的学习资料和实操指导。

DeepSeek结合Langchain的基本用法

  • DeepSeek 基于Openai接口规范的Prompt应答
  • Deepseek结合Langchain
  • DeepSeek 基于langchain的结构化返回

DeepSeek 基于Openai接口规范的Prompt应答

首先我们需要先基于pip 安装

pip install openai

DeepSeek Api 官网链接 https://api-docs.deepseek.com/zh-cn/。这个页面提供了如何用这块的API

img

在使用前,参考文档链接申请api的key,比如我申请的key,默认一开始送你10块钱的,够用比较久。

img

最开始我们先熟悉如何使用openai的接口规范,基于deepseek来实现的基础问答。代码接口如下:

from openai import OpenAI
client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com")


defget_completion(prompt, model="deepseek-chat"):
    # messages = [{"role": "user", "content": prompt}]
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": "You are a helpful assistant"},
            {"role": "user", "content": prompt},
        ],
        stream=False
    )
    return response


resp = get_completion("What is 1+1?")
print(resp)
print(resp.choices[0].message.content)

我们这类 1+ 1 等于几,大模型回答如下:

在这里插入图片描述在这里插入图片描述

往往为了复用某些功能,就需要我们针对某一类问题设计模版,能够基于不同的问题,替换不同的具体问题,如何来使用模版功能,如下所示这里我们需要转换文本,使用一种新的表达style 基于 llm改造文本内容:

# 模版开发
customer_email = """
Arrr, I be fuming that me blender lid \
flew off and splattered me kitchen walls \
with smoothie! And to make matters worse,\
the warranty don't cover the cost of \
cleaning up me kitchen. I need yer help \
right now, matey!
"""
style = """American English \
in a calm and respectful tone
"""
prompt = f"""Translate the text \
that is delimited by triple backticks 
into a style that is {style}.
text: ```{customer_email}```
"""


response = get_completion(prompt)
print(response)
print('------------')

print(response.choices[0].message.content)

在这里插入图片描述在这里插入图片描述

Deepseek结合Langchain

首先我们需要先基于pip 安装

pip install langchain_openai langchain

我们实现上述类似逻辑,通过llm 基于同一段文本进行改造转换, 实现如下:

from langchain_openai import ChatOpenAI

chat = ChatOpenAI(
    model='deepseek-chat',
    openai_api_key=api_key,
    openai_api_base='https://api.deepseek.com',
    max_tokens=1024
)


template_string = """Translate the text \
that is delimited by triple backticks \
into a style that is {style}. \
text: ```{text}```
"""

from langchain.prompts import ChatPromptTemplate
prompt_template = ChatPromptTemplate.from_template(template_string)
customer_style = """American English \
in a calm and respectful tone
"""
customer_email = """
Arrr, I be fuming that me blender lid \
flew off and splattered me kitchen walls \
with smoothie! And to make matters worse, \
the warranty don't cover the cost of \
cleaning up me kitchen. I need yer help \
right now, matey!
"""
customer_messages = prompt_template.format_messages(
                    style=customer_style,
                    text=customer_email)
# Call the LLM to translate to the style of the customer message
# Reference: chat = ChatOpenAI(temperature=0.0)
customer_response = chat.invoke(customer_messages, temperature=0)
print(customer_response.content)


service_reply = """Hey there customer, \
the warranty does not cover \
cleaning expenses for your kitchen \
because it's your fault that \
you misused your blender \
by forgetting to put the lid on before \
starting the blender. \
Tough luck! See ya!
"""

service_style_pirate = """\
a polite tone \
that speaks in English Pirate\
"""

service_messages = prompt_template.format_messages(
    style=service_style_pirate,
    text=service_reply)

service_response = chat.invoke(service_messages, temperature=0)
print(service_response.content)

在这里插入图片描述在这里插入图片描述

DeepSeek 基于langchain的结构化返回

如何将llm返回的信息按照特定的结构返回信息,比如返回json数据格式。 我们还是按照上面的例子来进行改造: 首先我们返回的数据结构长什么样子:

在这里插入图片描述在这里插入图片描述

因此需要设计输出的schema要求:

gift_schema = ResponseSchema(name="gift",
                             description="Was the item purchased\
                             as a gift for someone else? \
                             Answer True if yes,\
                             False if not or unknown.")
delivery_days_schema = ResponseSchema(name="delivery_days",
                                      description="How many days\
                                      did it take for the product\
                                      to arrive? If this \
                                      information is not found,\
                                      output -1.")

response_schemas = [gift_schema,
                    delivery_days_schema
                    ]

我们定义了返回的数据结构,gift True or False, delivery_days 返回时间 默认值-1.

from langchain_openai import ChatOpenAI
from langchain.output_parsers import ResponseSchema
from langchain.output_parsers import StructuredOutputParser
from langchain.prompts import ChatPromptTemplate

chat = ChatOpenAI(
    model='deepseek-chat',
    openai_api_key=api_key,
    openai_api_base='https://api.deepseek.com',
    max_tokens=1024
)

gift_schema = ResponseSchema(name="gift",
                             description="Was the item purchased\
                             as a gift for someone else? \
                             Answer True if yes,\
                             False if not or unknown.")
delivery_days_schema = ResponseSchema(name="delivery_days",
                                      description="How many days\
                                      did it take for the product\
                                      to arrive? If this \
                                      information is not found,\
                                      output -1.")

response_schemas = [gift_schema,
                    delivery_days_schema
                    ]
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
print(output_parser)
format_instructions = output_parser.get_format_instructions()
print(format_instructions)

customer_review = """\
This leaf blower is pretty amazing.  It has four settings:\
candle blower, gentle breeze, windy city, and tornado. \
It arrived in two days, just in time for my wife's \
anniversary present. \
I think my wife liked it so much she was speechless. \
So far I've been the only one using it, and I've been \
using it every other morning to clear the leaves on our lawn. \
It's slightly more expensive than the other leaf blowers \
out there, but I think it's worth it for the extra features.
"""

review_template = """\
For the following text, extract the following information:

gift: Was the item purchased as a gift for someone else? \
Answer True if yes, False if not or unknown.

delivery_days: How many days did it take for the product \
to arrive? If this information is not found, output -1.

Format the output as JSON with the following keys:
gift
delivery_days

text: {text}
"""

prompt = ChatPromptTemplate.from_template(template=review_template)
messages = prompt.format_messages(text=customer_review,
                                  format_instructions=format_instructions)

response = chat.invoke(messages, temperature=0)
output_dict = output_parser.parse(response.content)
print(output_dict)

在这里插入图片描述

DeepSeek无疑是2025开年AI圈的一匹黑马,在一众AI大模型中,DeepSeek以低价高性能的优势脱颖而出。DeepSeek的上线实现了AI界的又一大突破,各大科技巨头都火速出手,争先抢占DeepSeek大模型的流量风口。

DeepSeek的爆火,远不止于此。它是一场属于每个人的科技革命,一次打破界限的机会,一次让普通人也能逆袭契机。

DeepSeek的优点

read-normal-img

掌握DeepSeek对于转行大模型领域的人来说是一个很大的优势,目前懂得大模型技术方面的人才很稀缺,而DeepSeek就是一个突破口。现在越来越多的人才都想往大模型方向转行,对于想要转行创业,提升自我的人来说是一个不可多得的机会。

那么应该如何学习大模型

大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。

不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!

想正式转到一些新兴的 AI 行业,不仅需要系统的学习AI大模型。同时也要跟已有的技能结合,辅助编程提效,或上手实操应用,增加自己的职场竞争力。

大模型岗位需求越来越大,但是相关岗位人才难求,薪资持续走高,AI运营薪资平均值约18457元,AI工程师薪资平均值约37336元,大模型算法薪资平均值约39607元。

read-normal-img

掌握大模型技术你还能拥有更多可能性:

• 成为一名全栈大模型工程师,包括Prompt,LangChain,LoRA等技术开发、运营、产品等方向全栈工程;

• 能够拥有模型二次训练和微调能力,带领大家完成智能对话、文生图等热门应用;

• 薪资上浮10%-20%,覆盖更多高薪岗位,这是一个高需求、高待遇的热门方向和领域;

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术,也想通过这项技能真正达到升职加薪,就业或是副业的目的,但是不知道该如何开始学习,因为网上的资料太多太杂乱了,如果不能系统的学习就相当于是白学。为了让大家少走弯路,少碰壁,这里我直接把都打包整理好,希望能够真正帮助到大家。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】在这里插入图片描述

👉AI大模型学习路线汇总👈

大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)

read-normal-img

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

read-normal-img

👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

read-normal-img

read-normal-img

👉学会后的收获:👈

• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

read-normal-img

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】在这里插入图片描述

【Langchain学习笔记(三)】基于 DeepSeek 构建聊天机器人 本文主要介绍如何基于 DeepSeek 来创建一个聊天机器人。首先介绍 PromptTemplate 提示模版t,它作为设计对话流的基础,能够极大提升用户体验。接着,深入 DeepSeek 环境准备及模型创建过程,包括获取API、创建和配置 API Key、设置 base_url 以及选择合适的模型等步骤。基于 Langchain 框架,将介绍如何通过 MessagesPlaceholder 处理复杂的多轮对话,构建 Chain 保存对话历史,并了解 RunnableWithMessageHistory 对 阅读详情

相关推荐

LangChain + DeepSeek 详解

本文介绍了LangChain框架的基础使用与核心功能。作为AI应用开发工具,LangChain通过标准化接口连接LLM与外部系统,包含Prompt模板、LLM模型、代理和记忆系统四大组件。文章详细演示了Python环境下的安装配置流程,包括向量数据库初始化、DeepSeek模型适配和对话链构建。重点解析了流式输出处理技术,对比了不同调用模式的性能差异,并给出生产环境下的优化建议(如错误重试、超时设置和监控集成)。该框架采用模块化设计,支持快速原型开发,适合构建可扩展的智能应用,但需要注意内存向量库的临时性特

java_jar的博客 2528

基于Deepseek和Langchain的cp文学生成器(上)

AI-agent

m0_53214585的博客 3845

【langchain4j系列教程-02】Langchain4j调用DeepSeek

本文介绍了在Java项目中调用DeepSeek API的方法。由于DeepSeek与OpenAI接口标准兼容,可通过引入OpenAI依赖(langchain4j-open-ai)实现调用。代码示例展示了如何使用OpenAiChatModel对象配置baseUrl、apiKey和modelName("deepseek-chat")进行API交互。文中还提供了获取API密钥的官网指引,并说明DeepSeek提供两种模型(deepseek-chat和deepseek-reasoner)。最后解

双非二本自学到互联网公司的成长经历,有故事,有干货。 1517

deepseek结合Langchain实现智能机器人

LangChain 是一个开源框架,用于构建基于大型语言模型(LLM)的应用程序。

qq_41969287的博客 3041

langchain deepseek 实现shellTool

在langchain使用openai接口,但模型使用国内deepseek,但是要先cq,API-key才能用。

weixin_44772948的博客 1740

Stata极简生存分析

1. 导入数据 webuse drugtr,clear *webuse -- Use dataset from Stata website stset,clear *上一行命令导入进来的数据是“生存时间数据”,会比最原始的数据多四列,这一行命令的目的是重置为原始数据,之所以这样做,是为了显示数据处理的全部过程 codebook drug codebook studytime codebook died codebook age *codebook -- Describe data contents 2.

TOP生物信息 2337

结合DeepSeek、FAISS与LangChain构建RAG系统

RAG技术是一种结合了检索和生成能力的新型语言模型应用方式。其核心在于,首先使用一个检索器从知识库中获取与查询相关的文档片段,然后基于这些检索到的上下文,利用语言模型(LLM)生成回答。这种方式显著提高了回答的准确性和时效性,因为它能够实时地、基于事实地、动态地生成响应。在构建 RAG 系统时,选择合适的技术工具至关重要。LangChain作为连接检索器和语言模型的桥梁,LangChain 提供了一系列便捷的工具和接口,能轻松整合不同的组件,让开发人员专注于系统逻辑的实现。FAISS。

2401_85390073的博客 1503

宝塔面板一键部署Z-Blog博客 - 内网穿透实现公网访问

Ubuntu系统作为Linux系统的一个重要分支,既有Linux系统的轻量化、高扩展性和长时间稳定运行,也拥有Windows一样的友好图形界面,因此可以作为熟悉服务器系统的良好选择。对于笔者来说,ubuntu系统最大的用处,就是可以让家里老旧的电脑重焕生机,让本已退居二线的电脑与cpolar内网穿透软件搭配,成为私人服务器,搭建自己喜欢的各种网站。今天,笔者就为大家介绍,如何使用cpolar内网穿透+Z-blog搭建私人博客网站。

m0_74808907的博客 3148

langchain检索器和deepseek模型结合实例

【代码】langchain检索器和deepseek模型结合实例。

qq_74929891的博客 3070

使用Docker搭建SearXNG搜索引擎

【代码】使用Docker搭建SearXNG搜索引擎。

janthinasnail的博客 1188

基因的富集分析

通过RNA_seq差异表达分析等获得一组基因,想要进一步了解这些基因可能参与哪些生物学过程,具有哪些功能,一般就会用到基因的富集分析了。现在小麦基因注释信息已经可以获得,目前来看包括两套。一个是TGACv1,另一个就是IWGSC1.0。需要用到一个叫“clusterProfiler”的R包。下面用到的数据集来自TGACv1。1、安装source("https://bioconductor.org/b

xxxxx 1万+

Langchain结合deepseek:框架+模型的AI测试实践

langchain:将多个AI指令像乐高积木一样拼接,构建复杂工作流(例如:需求分析→生成测试用例→执行测试→生成报告)。:自动记录测试上下文,让AI像人类测试员一样"记住"历史用例和失败场景。:让AI自主决策何时调用Selenium、Postman等工具,实现全流程无人值守。

seanyang_的博客 1371

突破NER性能瓶颈:BERT与LLM协同的混合架构实践

性能卓越:在多个测试集上,F1分数比单一模型提升5-15%成本可控:相比纯LLM方案,成本降低60%以上易于落地:架构清晰,便于调试和优化这种"专才+通才"的组合思路可以扩展到其他NLP任务中,如关系抽取、事件提取、文本分类等。更精细的流水线优化多模型投票机制在线学习与自适应调整不追求单一模型的万能,而是通过精心设计的组合,让每个组件发挥其独特优势,最终实现系统性能的最优化。欢迎在评论区分享你在NER任务中的实践经验,或者对这个混合架构的改进建议!

Ven%的博客 1022

LangChain 调用deepseek模型

使用 DeepSeek 替代 OpenAI 的方案在功能和性能上相当,特别适合中文场景,且对国内用户网络更友好。主要支持主流模型(OpenAI、Anthropic、Hugging Face 等)DeepSeek 作为新兴国产模型,尚未被官方集成。备注:主要是用langchain,本方案不考虑。原因:DeepSeek 的 API 接口​。可以利用这一点实现无缝对接。

seanyang_的博客 2535

【通俗易懂】Windows系统安装TensorRT

NVIDIA TensorRT是一个由NVIDIA公司开发的用于深度学习推理的高性能SDK。它专门设计用于在NVIDIA GPU上进行高效的神经网络推理,能够大幅度提升深度学习模型的推理速度和效率。TensorRT的主要特点包括:模型优化:TensorRT通过层融合、精度校准、动态形状等技术优化模型,减少推理时的计算量和内存占用。多精度推理:支持多种精度推理,包括FP32、FP16、INT8等,以平衡性能和精度。

王尼莫的博客 1588

AutoSAR配置视频讲解:新建DaVinci工程

AutoSAR实验视频讲解:闪烁一颗LED实验【新建DaVinci工程】 上一篇 | 下一篇 | 总目录 实验架构图 视频本频放在了文末,下图描述了本次实验配置内容在AutoSAR架构中的位置,供大家参考 实验内容 本节课程讲解新建DaVinci工程,听上去新建工程很简单,但是还是需要很多的准备工作和细节。主要内容是新建工程和导入dbc文件和导入arxml文件的方法 主要步骤 新建DaVinci工程 导入.dbc通信矩阵文件 导入Mcal的arxml文件 实验视频2:Mcal配置 提示:版权所在,违

雪云飞星的博客 6277

LangChain-chatchat的基础安装和使用(结合DeepSeek)

采用LangChain-ChatChat可以创建本地的知识库。所以说这还是一个非常有价值的框架。其可以对各种大模型进行整合,来实现本地知识库的功能。本文就尝试将本地架设的DeepSeek整合进来,实现本地知识库的功能。(关于DeepSeek在本地如何架设,可以参考我的另一篇博客)

2162

【保姆级教程】基于UNet++&MobileNetv3的语义分割模型从训练到RK3588部署:让边缘AI落地效率提升300%

通过SMP库一键构建encoder_name="mobilenet_v2", # 选择MobileNetv3作为骨干encoder_weights="imagenet", # 加载预训练权重加速收敛in_channels=3, # 输入图像通道数(RGB)classes=29, # Cityscapes数据集类别数activation=None # 输出无激活,便于后续损失计算本教程从“模型设计-训练-转换-边缘部署”全链路拆解了。

FJN110的博客 258

如何彻底拦住微信撤回:RevokeMsgPatcher 上手 + 排错全记录

凌晨一点,对方刚把那条消息撤回了,你眼睁睁看着"撤回了一条消息"。工作群、个人号来回切,每次都要退出重登,心累。RevokeMsgPatcher 就是这个场景下的解法:一个针对 PC 版微信/QQ/TIM 的防撤回补丁工具,让撤回请求在半路失效,消息原样留在聊天列表里;微信还能顺手装上多开。 [![微信防撤回补丁主界面](https://raw.gitcode.com/GitHub_Trendi

gitblog_00323的博客 490

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

在LangChain中使用deepseek模型

介绍了如何配置和使用DeepSeek API的完整流程。首先详细说明了获取API密钥的步骤:注册账号、创建API密钥并妥善保存。其次讲解了测试网络连接和设置环境变量的方法。接着展示如何查询当前可用的DeepSeek模型。然后指导如何在LangChain中通过ChatOpenAI组件集成DeepSeek模型,包括初始化模型和发送请求。最后提供了一个完整的LangChain实例,演示如何通过模板生成提示词并获取模型响应。整个过程涵盖了从API密钥获取到实际应用的全部环节。

qq_49234244的博客 2212

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

DeepSeek模型接入LangChain流程(详细教程)

✅ **文件阅读**:支持上传 **PDF、Word、Excel、PPT、TXT** 等文件,并从中提取信息进行分析。✅ **编程助手**:能写代码、调试、优化算法,支持Python、C++、Java等多种编程语言。✅ **超长上下文支持**:可以处理 **128K** 长度的文本,适合分析长文档或复杂问题。✅ **知识丰富**:我的知识截止到 **2024年7月**,可以为你提供较新的信息。✅ **免费使用**:目前无需付费,你可以随时向我提问!💼 **工作效率**:写邮件、做PPT、总结报告。

Lucky_mzc的博客 3400

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

如何使用LangChain的Python库结合DeepSeek进行多轮次对话?

本文介绍了如何利用LangChain框架结合DeepSeek API实现多轮对话功能。主要内容包括:LangChain的模块化特性及其在智能代理、文档处理等场景的应用;DeepSeek API密钥的获取与配置;通过Python代码实现带有记忆功能的对话链,支持上下文关联的多轮交互。该方案可集成到自动化测试框架中,用于自动生成测试用例等场景,为测试开发人员提供高效的AI辅助工具。文中提供了完整的实现代码,涵盖环境变量配置、对话链创建和交互循环等关键步骤,便于开发者快速上手应用。

虫无涯的博客 1372

LangChain集成DeepSeek实现MCP调用

本文介绍了如何利用LangChain实现MCP(模型上下文协议)调用,构建一个基于MCPServer的算术计算器示例。MCP作为标准化协议,连接AI模型与外部工具/数据源,包含客户端/服务器架构和多种传输方式。文章详细说明了开发环境准备、MCPServer和Client的实现步骤,包括工具函数注册、日志记录和DeepSeek大模型集成。通过Python示例代码演示了完整的MCP调用流程,包括服务启动、工具加载、代理创建和结果解析,最终实现了AI驱动的算术运算功能。测试时需先后运行server和client程

5362

DeepSeek+LangChain:家教式全流程RAG实战指南

ℹ️RAG全称是Retrieval-Augmented Generation(检索增强生成),一句话解释就是:把问题和相应的参考资料一起给大模型,以期望得到效果更好的模型表现。ℹ️LangChain包含用于开发大语言模型应用的各种功能组件,不仅仅是RAG,所以相较于RAGFlow、HayStack等专门为RAG设计的框架来说,功能更为丰富,更“笨重”,学习门槛更高。第一步,环境准备参见requirements.txt。主要Python库:第二步,模型调用这里使用的DeepSeek官方提供的API。

2401_84204207的博客 2599
上一篇: 大模型及时雨!《多模态大模型:技术原理与实战》揭露多模态大模型本质,大模型入门必看!
下一篇: LangChain 实战教程:构建带记忆的聊天机器人
爱喝白开水a
博客等级 码龄3年 6793粉丝 763原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值