LangChain调用Azure OpenAI
Azure OpenAI — 🦜🔗 LangChain 0.0.194
如上图找到层级关系:
import os # Import Azure OpenAI from langchain.llms import AzureOpenAI import openai #response = openai.Completion.create( # engine="text-davinci-002-prod", #prompt="This is a test", # max_tokens=5 #) os.environ["OPENAI_API_TYPE"] = "azure" os.environ["OPENAI_API_VERSION"] = "2023-03-15-preview" os.environ["OPENAI_API_BASE"] = "https://.openai.azure.com/" os.environ["OPENAI_API_KEY"] = "" # Create an instance of Azure OpenAI # Replace the deployment name with your own llm = AzureOpenAI( deployment_name="chatgpt35", model_name="text-davinci-002" ) # Run the LLM #llm_result=llm("Tell me a joke") llm_result=llm("where is the capital of china?") #print(llm) #llm_result = llm.generate(["Tell me a joke", "Tell me a poem"]*3) print(llm_result)
回语:
引申思路:
from langchain.prompts import PromptTemplate from langchain.chains import LLMChain import os import openai from langchain.llms import AzureOpenAI # #你申请的openai的api key os.environ["OPENAI_API_TYPE"] = "azure" os.environ["OPENAI_API_VERSION"] = "2023-03-15-preview" os.environ["OPENAI_API_BASE"] = "" os.environ['OPENAI_API_KEY'] = "" text="北京市(Beijing),简称“京”,古称燕京、北平,是中华人民共和国首都、直辖市、国家中心城市、超大城市,国务院批复确定的中国政治中心、文化中心、国际交往中心、科技创新中心, \ 中国历史文化名城和古都之一。 截至2020年,北京市下辖16个区,总面积16410.54平方千米。 2022年末,北京市常住人口2184.3万人。 \ 北京市地处中国北部、华北平原北部,东与天津市毗连,其余均与河北省相邻,中心位于东经116°20′、北纬39°56′,是世界著名古都和现代化国际城市, \ 也是中央委员会、中华人民共和国中央人民政府和中华人民共和国全国人民代表大会常务委员会所在地。\ 北京市地势西北高、东南低。西部、北部和东北部三面环山,东南部是一片缓缓向渤海倾斜的平原。境内流经的主要河流有:永定河、潮白河、北运河、拒马河等,\ 北京市的气候为暖温带半湿润半干旱季风气候,夏季高温多雨,冬季寒冷干燥,春、秋短促。北京被世界城市研究机构GaWC评为世界一线城市, \ 联合国报告指出北京市人类发展指数居中国城市第二位。 [4] 北京市成功举办夏奥会与冬奥会,成为全世界第一个“双奥之城”。 \ 2022年,北京市实现地区生产总值41610.9亿元,按不变价格计算,比上年增长0.7%。其中,第一产业增加值111.5亿元,下降1.6%;第二产业增加值6605.1亿元,下降11.4%;第三产业增加值34894.3亿元,增长3.4%。" #加载openai的llm llm = AzureOpenAI( deployment_name="chatgpt35", model_name="text-davinci-002", temperature=0 ) #创建模板 fact_extraction_prompt = PromptTemplate( input_variables=["text_input"], template="从下面的本文中提取关键事实。尽量使用文本中的统计数据来说明事实:\n\n {text_input}" ) #定义chain fact_extraction_chain = LLMChain(llm=llm, prompt=fact_extraction_prompt) facts = fact_extraction_chain.run(text) print(facts)
,Best Wish 不负年华
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 实操Deepseek接入个人知识库
· CSnakes vs Python.NET:高效嵌入与灵活互通的跨语言方案对比
· 【.NET】调用本地 Deepseek 模型
· Plotly.NET 一个为 .NET 打造的强大开源交互式图表库
· 上周热点回顾(2.17-2.23)