如何构建您的第一个LLM应用程序？ 第1张

从输出结果中，我们可以看到我们的 LLM 应用程序显示出了预期的结果。详细的结果包含参考链接。任何人都可以点击这些参考链接，访问我们的 LLM 程序解答问题的上下文。至此，我们成功创建了我们的第一个 LLM 应用程序。您可以随意修改此代码，并以此代码为参考，创建一些更复杂的应用程序。

创建 LLM 应用程序比以往任何时候都更容易。如果您正在阅读本文，则意味着您拥有足够的知识来创建自己的 LLM 应用程序。在本指南中，我们介绍了环境设置、代码编写、代理逻辑、应用程序 UI 定义，以及将其转换为 Streamlit 应用程序。这涵盖了开发 LLM 应用程序的所有主要步骤。您可以尝试使用提示模板、LLM 链和 UI 自定义，根据您的需求个性化您的应用程序。这仅仅是个开始；更丰富的 AI 工作流正在等着您，包括代理、内存和特定领域任务。

Q1. 我需要从头开始训练模型吗？

A. 不需要，您可以从预训练的 LLM（例如 GPT 或开源 LLM）开始，专注于提示设计和应用逻辑。

Q2. 为什么要使用像 LangChain 这样的框架？

A. 它们简化了链接提示、内存处理和工具集成，而无需重新设计轮子。

Q3. 如何添加对话内存？

A. 在框架（例如 LangChain）中使用缓冲内存类或集成向量数据库进行检索。

Q4. 什么是 RAG？为什么要使用它？

A. 检索增强生成 (RAG) 将外部数据引入模型的上下文中，从而提高特定领域查询的响应准确性。

Q5. 我可以在哪里部署我的 LLM 应用？

A. 首先使用 Gradio 进行本地演示，然后使用 Hugging Face Spaces、Streamlit Cloud、Heroku、Docker 或云平台进行扩展。