Py之langchainhub：langchainhub的簡介、安裝和使用方法,、案例應(yīng)用之詳細(xì)攻略

langchainhub的簡介

LangChainHub 受 Hugging Face Hub 啟發(fā)，是一個收集所有與 LangChain 原語（如提示,、鏈和代理）一起使用的有用工件的集合。該存儲庫的目標(biāo)是成為共享和發(fā)現(xiàn)高質(zhì)量提示,、鏈和代理的中心資源，這些元素結(jié)合在一起形成復(fù)雜的 LLM 應(yīng)用程序。我們從一系列提示開始這個中心，期待 LangChain 社區(qū)能夠不斷增加這個集合,。我們希望很快能擴(kuò)展到鏈條和代理,。

GitHub地址：GitHub - hwchase17/langchain-hub

1、Prompt

從高層次上看，提示按用例組織在提示目錄中,。要在 LangChain 中加載提示，應(yīng)使用以下代碼片段：

from langchain.prompts import load_prompt

prompt = load_prompt('lc://prompts/path/to/file.json')

除了提示文件本身，每個子目錄還包含一個 README，解釋如何最好地在適當(dāng)?shù)?LangChain 鏈條中使用該提示,。有關(guān)提示在中心中的組織方式以及如何最好地上傳一個提示的更詳細(xì)信息，請參閱此處的文檔。

2,、Chain

從高層次上看，鏈按用例組織在鏈條目錄中,。要在 LangChain 中加載鏈，應(yīng)使用以下代碼片段：

from langchain.chains import load_chain

chain = load_chain('lc://chains/path/to/file.json')

除了鏈文件本身，每個子目錄還包含一個 README，解釋該鏈條包含的內(nèi)容。有關(guān)鏈在中心中的組織方式以及如何最好地上傳一個鏈條的更詳細(xì)信息，請參閱此處的文檔,。

3,、Agent

從高層次上看，代理按用例組織在代理目錄中,。要在 LangChain 中加載代理，應(yīng)使用以下代碼片段：

from langchain.agents import initialize_agent

llm = ...
tools = ...
agent = initialize_agent(tools, llm, agent="lc://agents/self-ask-with-search/agent.json")

除了代理文件本身，每個子目錄還包含一個 README，解釋該代理包含的內(nèi)容。有關(guān)代理在中心中的組織方式以及如何最好地上傳一個代理的更詳細(xì)信息，請參閱此處的文檔,。

langchainhub的安裝和使用方法

pip install langchainhub

pip install -i https://mirrors.aliyun.com/pypi/simple langchainhub

langchainhub的案例應(yīng)用

持續(xù)更新中……

LLMs之Agent之XMLAgent/JsonChatAgent/StructuredChat/ReAct：基于LangChain框架構(gòu)建一個基于LLM(采用claude-2.1驅(qū)動)能夠利用XML結(jié)構(gòu)化數(shù)據(jù)進(jìn)行對話的Agent系統(tǒng)(可以執(zhí)行更復(fù)雜的任務(wù),如信息檢索,、數(shù)據(jù)格式轉(zhuǎn)換等)—定義工具列表(如TavilySearchResults)→創(chuàng)建XMLAgent(將llm【XML采用claude-2.1/Json和Structured采用ChatOpenAI】、tools,、prompt【提示模板】打包給create_xml_agent+定義AgentExecutor)→測試XML Agent(用戶輸入dict格式+直接測試/帶記憶的測試)→自定義XMLAgent并測試(中間步驟過程字符串化以嵌入到提示中/工具列表字符串化以嵌入到提示中→定義agent(采用管道操作符|實現(xiàn))→定義AgentExecutor→測試XMLAgent【應(yīng)與提示中指定的格式同步】)

https://yunyaniu.blog.csdn.net/article/details/137847858