纯代码小白LangChain学习DAY1系统安装和快速入门-day1（尝试了一下langchain调用llama）基础

系统安装和快速入门-day1（尝试了一下langchain调用llama）

基础：0python基础，大一捣鼓了一年多市场营销活动策划的工科大二学生

深度用过GPT、coze

LangChain本质上就是对各种大模型提供的API的套壳，是为了方便我们使用这些API，搭建起来的一些框架、模块和接口。

我的理解：

高代码的形式去建立一个工作流

对应的低代码的形式就是coze

langchain也只是一个框架，像prompt一样可以用来连接各种模块的的一个工具，还有很多又专门的应用场景的框架

也就是说这门课的重点

1熟练运营langchain来实现一些定制化的AI应用

2理解langchain的底层逻辑，自己编写更定制化的API调用架构

这样看不算是特别的难

所以想挑战一下，全都本地运行，体验一下环境配置的痛苦，电脑实在撑不住再找云服务器

先有一个自己的gptapikey

openai.com/api/

（魔法和虚拟银行卡需要自行解决）（或者直接国内平替，就是接口代码形式可能要改一下，ai一下就好了）

day1目标：本地实现langchain调用openai_api

通过两个差不多的模型来对比一下调用方式和要求的输入格式的不一样

Chat Model，聊天模型

Text Model，文本模型

Text Model，文本模型

【遇到的问题】

vscode的output竟然不支持，会出现乱码

要到终端运行py文件才可以正确编码

我用的是单独建一个.env文件进行api的调用

黄色高亮快指的是：通过代码指令，来对返回结果进行控制

import os

from dotenv import load_dotenv
from openai import OpenAI

# 加载 .env 文件
load_dotenv()

# 获取 API_KEY
api_key = os.getenv("API_KEY")

# 使用 api_key
print(api_key)

client = OpenAI()

response = client.completions.create(
  model="gpt-3.5-turbo-instruct",
  temperature=0.5,
  max_tokens=100,
  prompt="请给我介绍一位古代名人")
print(response)  # 查看完整响应

result_text = response.choices[0].text.strip()
print(result_text.encode('utf-8').decode('utf-8'))

【学习感悟】

有的指令我没见过是真不知道对话模型训练的时候是付出了多大的努力来控制准确性

Chat Model，聊天模型

response = client.chat.completions.create(  
  model="gpt-4",
  messages=[
        {"role": "system", "content": "你是一个很棒的智能助手."},
        {"role": "user", "content": "请给我的花店起个名"},
    ],
  temperature=0.8,
  max_tokens=60
)

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