ایجاد گردش کار هوشمندانه هوش مصنوعی با Langchain

لانگچین یکی از جالب ترین ابزارهای ظهور در دنیای توسعه برنامه LLM است. این که آیا شما در حال ساختن یک چت بابات ، یک عامل خودمختار یا یک خط لوله محتوا هستید ، Langchain مدولار و انعطاف پذیری را برای حرکت سریع فراهم می کند – بدون ساختار سازنده.

در این پست ، من یک معرفی مختصر به Langchain می کنم ، یک مثال استفاده سریع را نشان می دهم و شما را از طریق نحوه استفاده از آن برای ساخت پیاده می کنم زمین -ابزاری که در زمان واقعی واکشی می کند ، خلاصه می شود ، تن و توییت می کند.

Langchain چیست؟

Langchain چارچوبی برای ساخت برنامه های کاربردی با مدل های بزرگ زبان (LLMS) است. این مانند “SDK با پس زمینه” است که همه چیز را از قالب های سریع گرفته تا گردش کار چند مرحله ای ساختار می دهد.

اجزای اصلی

• LLMS: رابط با مدل های OpenAi ، Anthropic ، Cohere و غیره.
• پیش بینی کردن: قابل استفاده مجدد و پارامتر شده.
• llmchain: زنجیره های زنجیره ای + مدل ها را با هم.
• ابزار و نمایندگان: LLM خود را به توابع ، API ها یا جستجو دسترسی دهید.
• خاطره: زمینه مکالمه را در نوبت ذخیره کنید.
• وکتور: برای ساختن برنامه های مبتنی بر بازیابی (RAG) از تعبیه شده استفاده کنید.

Langchain به شما کمک می کند تا از “فقط فراخوانی مدل” به ساخت خطوط لوله قوی و آماده تولید بروید.

مثال استفاده از Langchain

بیایید بگوییم که می خواهید یک ابزار سریع پاسخ ایجاد کنید. در اینجا با Langchain چقدر ساده است:

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

### Step 1: Set up a prompt template
prompt = PromptTemplate(
    input_variables=["question"],
    template="Answer the following question in one sentence:\n{question}"
)

### Step 2: Choose the LLM
llm = OpenAI(temperature=0.7)

### Step 3: Create the chain
qa_chain = LLMChain(llm=llm, prompt=prompt)

### Step 4: Run it
response = qa_chain.run("What is the future of AI?")
print(response)

این الگوی تعریف سریع → انتخاب یک مدل → زنجیره ای → دویدن در قلب Langchain است.

زمین یک عامل دارای هوش مصنوعی است که روند کار را خودکار می کند:

1. واکشی آخرین مقاله ها
2. خلاصه کردن آنها در قالب واضح
3. تطبیق لحن برای مطابقت با نمایه Target X (قبلاً توییتر)
4. ارسال نتیجه مستقیم به X (قبلاً توییتر)

هدف ساده است: به روزرسانی های مربوط به هوش مصنوعی ، با لحنی داده شده ، به طور مداوم تحویل دهید.

آن را در عمل مشاهده کنید -> tersxai

آنچه من از Langchain استفاده کردم

• SystemMessage از langchain_core.messages برای تعریف قالب بندی پیام مبتنی بر نقش
• یک عرف ChatOpenRouter بسته بندی Langchain را گسترش می دهد ChatOpenAI برای استفاده از مدل جمینی OpenRouter
• کنترل سریع دقیق با استفاده از دستورالعمل های سیستم فرمت شده ، با قوانین دقیق متناسب با لحن و طول رسانه های اجتماعی

افکار نهایی

Langchain به من کمک کرد تا زنجیرهای LLM را تمیز و قابل حفظ در Tersai بسازم بدون اینکه بخواهم منطق سریع یا اجرای زنجیره ای را به صورت دستی دوباره اختراع کنم. اگر در حال ساختن ابزارهای AI محور هستید ، Langchain یک انتخاب محکم برای سرعت بخشیدن به توسعه است.

منابع