blog details
author


blog detail

独立的 AI 模型和应用程序(例如 OpenAI、Google Vertex AI PaLM)只是一个起点。在我看来,如何应用多元化的模式来简化和提高每个专业领域工作流程的生产力是能够真正发挥其美容和性专业优势的关键一步。

在这篇文章中,我将向有兴趣在 AI Web App 和 DApp 中构建自己的链模型的初学者简要介绍一下 LangChain Chat AI 模型,以提高生产力并在游戏中创造持续的点击量。

目录:浪链聊天AI模型在新手营销应用中的应用

为什么选择浪链并选择聊天AI模型

LangChain是一个软件开发框架,旨在简化使用大型语言模型的应用程序的创建。虽然开发者也可以使用其他框架构建链,但使用 LangChain 有一些突出的功能:

  • 链式框架普遍简化了编码工作量
  • 请求之间的响应速度更快
  • 考虑到多样化的AI模型集成
  • 给定第 3 方外部模块集成
  • 可追踪的表现

从财务角度来看,人工智能模块应用于工作应用基本上是按. 量付费的模式。因此,可变成本是任何企业都要考虑的关键因素,因为如果杠杆不当,它可能会造成利润率瓶颈,甚至导致亏损。

一般来说,与非聊天驱动的模型相比,像 OpenAI GPT3.5 这样的聊天人工智能模型就每千人的代币而言是最便宜的。如果性能和输出能力与更高级别的模型相似,则首选 Chat AI 模型,特别是该模型是在链中使用,这意味着体积会很大。

LangChain聊天AI模型基础设置

在这篇文章中,我将以 OpenAI 为样本。话虽这么说,你可以根据实际需要使用其他AI模型。虽然存在模型名称导入等微小差异,但基本上逻辑、底层功能和流程都是相似的。

以下是 LangChain Python 库、要导入的包和要添加的主要功能

  • 库安装
pip install langchain
  • 导入需要的包
import time
from langchain . chat_models import ChatOpenAI
from langchain import PromptTemplate , LLMChain
from langchain . prompts . chat import (
 ChatPromptTemplate ,
 SystemMessagePromptTemplate ,
 AIMessagePromptTemplate ,
 HumanMessagePromptTemplate ,
)
from langchain . schema import (
 AIMessage ,
 HumanMessage ,
 SystemMessage
)
from langchain . callbacks . streaming_stdout import StreamingStdOutCallbackHandler
from langchain . callbacks import get_openai_callback
  • 核心功能:
llm = ChatOpenAI ( temperature = 0.7 , model = "gpt-3.5-turbo" , openai_api_key = " )

单向 AI 通信中的 Single Hit

LangChain 可以满足单个请求,您也可以使用 ChatGPT 或 OpenAI API。下面是使用 HumanMessage 参数和内容参数与提示连接的示例。

response = llm ([ HumanMessage ( content = prompt )])

与AI系统交互中的单击

除了单向之外,我们还可以提前向LangChain和AI模型设置角色或共享上下文数据集,以获得更准确的结果。

messages = [ SystemMessage ( content = "You are a marketing specialist and specialise in writing engaging Tiktok Short form video scripts in English." ), HumanMessage ( content = "Write me a Tiktok Short form video script to engage with Japanese Ramen fans" ) ]

使用一个AI模型的N+提示模板

实际上,营销应用程序的一个输出比上面两个给定的示例更复杂。基本上,即使使用相同的AI模型,也会有许多可变因素和提示模板一起工作来生成。

以营销为例。作为营销人才,写作文案是一项技能,可应用于 SEM、SEO、联盟、社交、电子邮件、产品列表、视频、广告、公关等。此外,它可能会处理不同的项目内容、品牌故事、现有绩效等。因此,它需要您配备一组提示模板来构建此应用程序并自动化该过程。

template = "You are a {role} specialist and specialise in writing engaging {object} copies in English."
system_message_prompt = SystemMessagePromptTemplate . from_template ( template )
human_template = " {text} "
human_message_prompt = HumanMessagePromptTemplate . from_template ( human_template )
chat_prompt = ChatPromptTemplate . from_messages ([ system_message_prompt , human_message_prompt ])
response123 = llm ( chat_prompt . format_prompt ( role = "marketing" , object = "email" , text = "Write me a Welcomed email to a first time purchase shoe buyer." ). to_messages ())

N+ AI 模型同链

除了使用相同的模型之外,如前所述,我们可能希望同时考虑人工智能性能和财务因素。这意味着我们在一个任务或链中的多个任务中需要不同的人工智能模型。例如,由于字符限制,写推文并不需要花哨且昂​​贵的人工智能模型,只要能够阅读原材料即可。另一方面,生成复杂的研究文章或数据分析需要更先进的模型来完成。这里涉及优化人工智能模型效率前沿的心态。

chain = LLMChain ( llm = llm , prompt = chat_prompt )
 finalResult = chain . run ( role = "marketing" , object = "email" , text = "Write me.  a Welcomed email to a first time purchase shoe buyer." )

其他 – 跟踪代币花费总额

如果您是 AI 模型经销商或 AI 应用程序提供商,跟踪总代币支出至关重要,因为您需要它来计算成本。 LangChain提供了AI Model回调包。这里有大量的 OpenAI

with get_openai_callback () as cb :
 buyfromloAPIandAIYes = directResponse ()
 print ( buyfromloAPIandAIYe )
 buyfromloAPIandAI = cb
 print ( buyfromloAPIandAI )
Tokens Used: 241
Prompt Tokens: 17
Completion Tokens: 224
Successful Requests: 2
Total Cost (USD): $0.000482

BuyfromLo AI API 和现场应用程序

如果您想节省使用 LangChain 构建应用程序或 API 的时间,请查看 BuyfromLo API 和 Onsite 应用商店。现在我们正在运行免费试用程序,去吧!

https://www.buyfromlo.com

浪链聊天AI模型全核心功能Python脚本应用于营销应用

如果您对第80章——浪链聊天AI模型在AI Web App和DApp中的应用(初学者)感兴趣,请添加消息“第 80 章 + AI 应用程序的完整 LangChain 脚本”来订阅我们的新闻通讯。当最新的应用程序脚本上线时,我们会向您发送脚本。

希望您喜欢阅读第 80 章——浪链聊天 AI 模型在 AI Web App 和 DApp 中的应用(适合初学者)。如果您这样做了,请通过执行下列操作之一来支持我们,因为这总是对我们的频道有所帮助。


分享文章

目前没有留言...

shape shape

免费订阅最新内容更新

获取独家自动样式内容更新和优惠