【AI大模型应用开发】【LangChain系列】加速学习LangChain效率:源码环境安装 + 断点调试

本文涉及的产品
阿里云百炼推荐规格 ADB PostgreSQL,4核16GB 100GB 1个月
简介: 【AI大模型应用开发】【LangChain系列】加速学习LangChain效率:源码环境安装 + 断点调试
  • 大家好,我是同学小张,日常分享AI知识和实战案例
  • 欢迎 点赞 + 关注 👏,持续学习持续干货输出
  • +v: jasper_8017 一起交流💬,一起进步💪。
  • 微信公众号也可搜【同学小张】 🙏

本站文章一览:


学习一个开源项目,效率最高的还是实际将项目跑起来,然后断点,跟着一个数据流,逐渐深入。

所以,对于开源项目,进行源码环境的安装就比较重要了。本文我们来用源码安装的方式安装 LangChain。

0. 源码安装 LangChain

前面我们在 【AI大模型应用开发】【LangChain系列】0. LangChain框架介绍,实现LangChain的Hello World 中已经安装过 LangChain 了,但是那是直接安装的Python包,是无法进行断点调试和直接从我们自己的程序中跳转到源码阅读的。

建议先用 pip install langchain 安装一遍langchain包,然后再使用下面的命令单独安装个别模块的源码,这样保证安装的langchain的依赖都是完整的,部分源码,部分python包。

要想从源码安装 LangChain,需要使用 pip install -e . 命令。关于此命令的作用,我之前也写过:【Python笔记】pip intall -e命令:让你的工程直接使用开源包的源码,可断点调试,修改源码!

完整步骤如下:

(1)正常从github上下载源码到本地

git clone https://github.com/langchain-ai/langchain.git

(2)进入 langchain/libs/langchain 目录

(3)执行 pip install -e . 命令

(4)再进入到 langchain/libs/core 目录

(5)执行 pip install -e . 命令

(6)再进入到 langchain/libs/community 目录

(7)执行 pip install -e . 命令

可能遇到的问题:

类似的问题都是缺少对应的包导致的。例如上面缺少 poetry-core>=1.0.0 的包,那就用 pip install poetry-core 安装一下这个包即可。等安装完这个包之后,再重新 pip intall -e .

1. 验证是否源码安装成功

随便新建个python文件,写入以下代码:

from langchain.retrievers.web_research import WebResearchRetriever # 这里主要是为了让它能走到你打断点的地方

然后在 langchain\libs\community\langchain_community\chat_models\openai.py 的以下地方打个断点。

执行Python文件,程序会在断点处停止,表明源码安装成功:

断点处堆栈如下:

<module> (d:\GitHub\langchain\libs\community\langchain_community\chat_models\openai.py:63)
<module> (d:\GitHub\langchain\libs\community\langchain_community\chat_models\anyscale.py:15)
<module> (d:\GitHub\langchain\libs\community\langchain_community\chat_models\__init__.py:21)
<module> (d:\GitHub\langchain\libs\langchain\langchain\chains\router\multi_retrieval_qa.py:6)
<module> (d:\GitHub\langchain\libs\langchain\langchain\chains\router\__init__.py:4)
<module> (d:\GitHub\langchain\libs\langchain\langchain\chains\__init__.py:76)
<module> (d:\GitHub\langchain\libs\langchain\langchain\retrievers\document_compressors\chain_extract.py:13)
<module> (d:\GitHub\langchain\libs\langchain\langchain\retrievers\document_compressors\__init__.py:2)
<module> (d:\GitHub\langchain\libs\langchain\langchain\retrievers\contextual_compression.py:10)
<module> (d:\GitHub\langchain\libs\langchain\langchain\retrievers\__init__.py:25)
<module> (d:\GitHub\LEARN_LLM\langchain_example\web_rag copy.py:2)

大功告成。

如果觉得本文对你有帮助,麻烦点个赞和关注呗 ~~~


  • 大家好,我是 同学小张,日常分享AI知识和实战案例
  • 欢迎 点赞 + 关注 👏,持续学习持续干货输出
  • +v: jasper_8017 一起交流💬,一起进步💪。
  • 微信公众号也可搜【同学小张】 🙏

本站文章一览:

相关实践学习
阿里云百炼xAnalyticDB PostgreSQL构建AIGC应用
通过该实验体验在阿里云百炼中构建企业专属知识库构建及应用全流程。同时体验使用ADB-PG向量检索引擎提供专属安全存储,保障企业数据隐私安全。
AnalyticDB PostgreSQL 企业智能数据中台:一站式管理数据服务资产
企业在数据仓库之上可构建丰富的数据服务用以支持数据应用及业务场景;ADB PG推出全新企业智能数据平台,用以帮助用户一站式的管理企业数据服务资产,包括创建, 管理,探索, 监控等; 助力企业在现有平台之上快速构建起数据服务资产体系
相关文章
|
4月前
|
前端开发 机器人 API
前端大模型入门(一):用 js+langchain 构建基于 LLM 的应用
本文介绍了大语言模型(LLM)的HTTP API流式调用机制及其在前端的实现方法。通过流式调用,服务器可以逐步发送生成的文本内容,前端则实时处理并展示这些数据块,从而提升用户体验和实时性。文章详细讲解了如何使用`fetch`发起流式请求、处理响应流数据、逐步更新界面、处理中断和错误,以及优化用户交互。流式调用特别适用于聊天机器人、搜索建议等应用场景,能够显著减少用户的等待时间,增强交互性。
1054 2
|
13天前
|
人工智能
AI对话网站一键生成系统源码
可以添加进自己的工具箱,也可以嵌入自己博客的页面中,引流效果杠杠的,新拟态设计风格,有能力的大佬可以进行二开,仅提供学习,用户可输入网站名称、AI默认的开场白、AI头像昵称、AI网站中引流的你的网站等等内容,所有生成的网页全部保存到你的服务器上
56 27
AI对话网站一键生成系统源码
|
4天前
|
人工智能 自然语言处理 架构师
Praison AI:LangChain危险了!这个低代码框架让AI智能体「自主协作」,1行代码搞定任务编排
Praison AI 是一个开源的多智能体框架,支持低代码创建和管理AI代理,提供多种流程类型和集成选项,适用于企业流程自动化、智能客服等场景。
87 18
|
4月前
|
存储 人工智能 搜索推荐
解锁AI新境界:LangChain+RAG实战秘籍,让你的企业决策更智能,引领商业未来新潮流!
【10月更文挑战第4天】本文通过详细的实战演练,指导读者如何在LangChain框架中集成检索增强生成(RAG)技术,以提升大型语言模型的准确性与可靠性。RAG通过整合外部知识源,已在生成式AI领域展现出巨大潜力。文中提供了从数据加载到创建检索器的完整步骤,并探讨了RAG在企业问答系统、决策支持及客户服务中的应用。通过构建知识库、选择合适的嵌入模型及持续优化系统,企业可以充分利用现有数据,实现高效的商业落地。
201 6
|
3月前
|
存储 人工智能 SEO
全开源免费AI网址导航网站源码
Aigotools 可以帮助用户快速创建和管理导航站点,内置站点管理和自动收录功能,同时提供国际化、SEO、多种图片存储方案。让用户可以快速部署上线自己的导航站。
663 1
|
3月前
|
机器学习/深度学习 人工智能 运维
电话机器人源码-智能ai系统-freeswitch-smartivr呼叫中心-crm
电话机器人源码-智能ai系统-freeswitch-smartivr呼叫中心-crm
131 0
|
4月前
|
机器学习/深度学习 人工智能 开发框架
解锁AI新纪元:LangChain保姆级RAG实战,助你抢占大模型发展趋势红利,共赴智能未来之旅!
【10月更文挑战第4天】本文详细介绍检索增强生成(RAG)技术的发展趋势及其在大型语言模型(LLM)中的应用优势,如知识丰富性、上下文理解和可解释性。通过LangChain框架进行实战演练,演示从知识库加载、文档分割、向量化到构建检索器的全过程,并提供示例代码。掌握RAG技术有助于企业在问答系统、文本生成等领域把握大模型的红利期,应对检索效率和模型融合等挑战。
297 14
|
4月前
|
人工智能 前端开发 JavaScript
前端大模型入门(二):掌握langchain的核心Runnable接口
Langchain.js 是 Langchain 框架的 JavaScript 版本,专为前端和后端 JavaScript 环境设计。最新 v0.3 版本引入了强大的 Runnable 接口,支持灵活的执行方式和异步操作,方便与不同模型和逻辑集成。本文将详细介绍 Runnable 接口,并通过实现自定义 Runnable 来帮助前端人员快速上手。
124 1
|
4月前
|
存储 人工智能 搜索推荐
揭秘LangChain+RAG如何重塑行业未来?保姆级实战演练,解锁大模型在各领域应用场景的神秘面纱!
【10月更文挑战第4天】随着AI技术的发展,大型语言模型在各行各业的应用愈发广泛,检索增强生成(RAG)技术成为推动企业智能化转型的关键。本文通过实战演练,展示了如何在LangChain框架内实施RAG技术,涵盖金融(智能风控与投资决策)、医疗(辅助诊断与病历分析)及教育(个性化学习推荐与智能答疑)三大领域。通过具体示例和部署方案,如整合金融数据、医疗信息以及学生学习资料,并利用RAG技术生成精准报告、诊断建议及个性化学习计划,为企业提供了切实可行的智能化解决方案。
167 5
|
3月前
|
人工智能 JSON API
阿里云文档智能 & RAG解决方案:提升AI大模型业务理解与应用
阿里云推出的文档智能 & RAG解决方案,旨在通过先进的文档解析技术和检索增强生成(RAG)方法,显著提升人工智能大模型在业务场景中的应用效果。该方案通过文档智能(Document Mind)技术将非结构化文档内容转换为结构化数据,提取文档的层级树、样式和版面信息,并输出为Markdown和Json格式,为RAG提供语义分块策略。这一过程不仅解决了文档内容解析错误和切块丢失语义信息的问题,还优化了输出LLM友好的Markdown信息。方案的优势在于其多格式支持能力,能够处理包括Office文档、PDF、Html、图片在内的主流文件类型,返回文档的样式、版面信息和层级树结构。
229 2

热门文章

最新文章