今天，我們就結合實戰例子，帶你學習怎麼通過開源工具組建一個極簡應用，讓智能體來替你回答工作問題，並讓它作為你的專屬助理，對你定期進行專題匯報。

如果你想要直接學習如何使用工具，也可以根據自己的需求，選擇目錄中感興趣的內容直接學習。另外需要註意，在這節課的第四部分，我會教你如何搭建一個自主可控的大模型（LLM）底座，所以即使你的工作環境不允許使用 OpenAI API 也沒關系。

今天這節課不會繞彎子，會直接告訴你每個工具的核心價值，讓你即學即用。話不多說，我們開始吧！

鏈式調用黏合劑（Langchain）

首先，我們來為你的原型系統搭建一個“調度中心”。這個調度中心將幫助 大語言模型（LLM） 連接到我們之前學到的各種生態組件，如計劃組件、記憶組件和工具組件等等。

目前最主流的做法是采用鏈式調用。鏈式調用可以讓你的編碼更高效，隻需少量代碼，就能讓用戶、LLM和組件之間進行復雜的互動。

接下來，我將使用Langchain，基於OpenAI的LLM制作一個簡易的ChatGPT。ChatGPT你應該並不陌生，它 是一個基於大語言模型的應用程序，可以與人類進行多輪對話。

為了讓大語言模型能夠實現與人類友好的多輪對話，我們需要額外引入兩個組件。

第一個是ConversationBufferMemory，它將幫助LLM記錄我們的對話過程。

第二個是ConversationChain，它會幫我們管理整個會話過程，通過調取BufferMemory中的對話信息，讓無狀態的LLM了解我們的對話上下文。

同時，ConversationChain還會通過補充一些“提示語”，確保LLM知道它在與人類進行交流。

from langchain.llms import OpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
import os
os.environ["OPENAI_API_KEY"] = '...'
llm = OpenAI(temperature=0)
mem = ConversationBufferMemory()
# Here it is by default set to "AI"
conversation = ConversationChain(llm=llm, verbose=True, memory=mem)
conversation.predict(input="Hi there!")

Entering new ConversationChain chain…
Prompt after formatting:
The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know.
Current conversation:
Human: Hi there!
AI:
Finished chain.
Out[1]:
" Hi there! It’s nice to meet you. How can I help you today?"

在這個例子中，我們直接使用了ConversationChain的封裝。以下是它的核心代碼，可以看到整個流程非常簡單。ConversationChain隻是對你的對話內容進行了格式化的封裝，告訴了LLM它正在和人類進行對話，並將歷史聊天內容提供給LLM，讓LLM更好地與用戶進行交流。

推薦全套完整AI大模型訓練及ChatGPT相關學習教程資料，AI大模型系統訓練開發實戰

from langchain.prompts.prompt import PromptTemplate
DEFAULT_TEMPLATE = """The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know.
Current conversation:
{history}
Human: {input}
AI:"""
PROMPT = PromptTemplate(input_variables=["history", "input"], template=DEFAULT_TEMPLATE)

你完全也可以根據自己的需求定制自己任務的 Chain。當然，代碼示例中可以看出 Langchain對LLM生態組件提供了良好的支持，針對常見應用場景也進行了鏈式封裝，這一點做的非常友好。

比如，SQL Database Chain 就能通過對話來與數據庫互動，根據你的需求生成數據報告，這裡我也留了一道相關的課後作業。我建議，你在面對這類任務時，優先選擇官方的實現，快速完成編碼。

零代碼快速搭建（Flowise）

在學習更高級的用法之前， 先給你一個學習加速包，讓你“無痛”地進行下面的過程。這個加速包叫做Flowise，用於零代碼搭建LLM應用平臺。通過使用它，你可以在一分鐘內搭建起剛才的應用。

首先是Flowise的安裝，在安裝完成後通過下面的指令啟動Flowise服務（推薦用Linux/Mac）。

$ npm install -g flowise
$ npx flowise start --FLOWISE_USERNAME=user --FLOWISE_PASSWORD=1234

進入瀏覽器打開 http://localhost:3000，輸入用戶名和密碼。如果能看到下圖中的Flowise界面，恭喜你已經搭建成功了。現在，我們開始搭建ChatGPT的例子。

推薦全套完整AI大模型訓練及ChatGPT相關學習教程資料，AI大模型系統訓練開發實戰，請留言私我。

這裡如下圖，在 Chat Models 中找到 ChatOpenAI 組件，拖入我們的應用中，填入剛剛獲得的OpenAI Api Key，它對應代碼是後面這樣。

llm = OpenAI(temperature=0)

隨後，如下圖所示，在 Memory 組件中找到 Buffer Memory組件，拖入到我們的應用中。

它背後對應的代碼是後面這樣。

mem = ConversationBufferMemory()

最後，我們拖入LLM Chain組件，這個動作對應前面Langchain這段對代碼。

conversation = ConversationChain(llm=llm, verbose=True, memory=mem)

鏈式調用程序特別適合圖形化搭建，接下來，我們點擊右上角的會話按鈕，就可以和LLM對話了。

相信你在剛才的搭建過程中，已經看到了 Flowise 提供的豐富的組件庫。這些組件可以幫助你快速搭建原型系統，提升開發效率。如果有興趣，可以課後研究一下每個組件的用途，以便在未來的開發中靈活運用。

對於從第二部分開始看的同學，如果你沒有 Langchain 的基礎知識，建議還是快速通讀一下第一部分“鏈式調用黏合劑”的內容。當然，你也可以根據你的學習習慣，選擇先閱讀後面的內容，快速建立整體的認識。