安装python
建议安装python 3.10+的版本，www.python.org/downloads/w…
安装poetry（管理虚拟环境）
选择poetry作为虚拟环境管理工具的原因只是个人习惯，各种虚拟环境管理工具的对比网上都可以找到，或者直接问KIMI："python的虚拟环境管理工具virtualenv、venv、pipenv、poetry、conda各有什么优劣？"
1、安装方式
windows我是直接使用下面的命令安装的，更多安装方式可以参考：blog.csdn.net/Python966/a…
Invoke-WebRequest -Uri https://install.python-poetry.org -UseBasicParsing).Content | py -
安装完成后记得配置系统环境变量
2、基本用法
poetry的基本用法可参考：poetry 入门完全指南_poetry使用-CSDN博客
安装IDE
1、轻量级jupyter notebook安装说明：
# 如果安装失败，可尝试升级pip后重试
pip install --upgrade pip
# 安装成功后，启动jupyter notebook，记得将相关目录配置到系统环境变量中PATH
jupyter notebook
jupyter notebook成功启动后，新建一个notebook文件
新建文件后会让我们选择python解释器的内核，默认情况下只有全局python内核可用，因为这里jupyter notebook是安装在全局环境中的。如果想要选择虚拟环境中的python需要进行一些配置，详情可参考：Jupyter notebook 添加虚拟环境 - RolandHe - 博客园（当然也可以在每个虚拟环境中重新安装一个jupyter notebook）
2、使用pycharm开发
官网自行下载：www.jetbrains.com.cn/pycharm/dow…
大模型接口
百度大模型
百度的文心大模型ERNIE Speed、Lite目前已全面免费，只要在平台上注册账号，可通模型权限即可直接通过接口使用大模型。
注册账号后，在千帆大模型平台-应用接入创建一个应用，接口获取调用大模型的AK/SK：
开始调用大模型之前，必须先在千帆大模型平台-计费管理开通相应模型的权限。
通义千问
登录阿里云平台，开通DashScope并创建API-KEY：help.aliyun.com/zh/dashscop…
创建新的API-KEY之后，就可以直接使用模型服务了，在模型广场中可以找到通义千问的API文档：help.aliyun.com/zh/dashscop… 不过在使用LangChain调用时有相关的包支持直接使用，调用起来会更方便，后面会用到。
要注意这里的模型服务是收费的，不过目前的大模型接口收费还算便宜，并且首次开通还会送免费额度，具体可以在计费管理中查看：dashscope.console.aliyun.com/billing
LangChian验证大模型服务
Python import os
from langchain*community.chat*models import QianfanChatEndpoint from langchain*core.prompts import ChatPromptTemplate from langchain*openai import AzureChatOpenAI from langchain_core.messages import HumanMessage, SystemMessage
messages = [ SystemMessage(content="Translate the following from English into Chinese"), HumanMessage(content="hi!"), ]
os.environ["QIANFAN*AK"] = "千帆大模型平台获取AK" os.environ["QIANFAN*SK"] = "千帆大模型平台获取SK"
# 千帆，需要开通相应的模型权限才能调通：https://console.bce.baidu.com/qianfan/chargemanage/list
wenxin4*model = QianfanChatEndpoint(model="ERNIE-Speed-8K") res = wenxin4*model.invoke(messages) print(res.content)
# 输出解析
from langchain*core.output*parsers import StrOutputParser
parser = StrOutputParser()
# chain
chain = wenxin4_model | parser res = chain.invoke(messages) print(res)
# 提示词
system*template = "Translate the following into {language}:" prompt*template = ChatPromptTemplate.from*messages( [("system", system*template), ("user", "{text}")] ) result = prompt*template.invoke({"language": "Chinese", "text": "hi"}) print(result.to*messages())
ful*chain = prompt*template | wenxin4*model | parser res = ful*chain.invoke({"language": "chinese", "text": "hi"}) print(res) ```
好了，至此我们已经准备好基于LangChain开发AI应用的环境，后面我们将开始正式进入LangChain的入门实践！
