Konfigurera din LangChain-miljö
Konfigurera utvecklingsmiljön och installera nödvändiga bibliotek för att börja bygga med LangChain och integrera med LLM:er.
Konfigurera din LangChain-miljö är en gratis lektion i LangChain / RAG / vektordatabaser på CoddyKit. Detta är lektion 1 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för LangChain / RAG / vektordatabaser, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i LangChain / RAG / vektordatabaser innehåller totalt 4 lektioner.
Välkommen till installationen av LangChain
Välkommen till LangChains spännande värld! Detta kraftfulla ramverk hjälper er att bygga applikationer som drivs av stora språkmodeller (LLM).
I den här lektionen gör vi er utvecklingsmiljö klar. Se det som att förbereda arbetsbänken innan ni börjar med ett nytt projekt.
Varför virtuella miljöer?
Innan ni installerar något är det god praxis att använda en virtuell miljö. Då hålls projektets beroenden åtskilda från andra Python-projekt på datorn.
- Förhindrar konflikter mellan olika projektversioner.
- Gör projektet enkelt att dela och återskapa.
- Håller den globala Python-installationen ren.
Skapa en virtuell miljö
Ni kan skapa en virtuell miljö med Pythons inbyggda modul venv. Välj ett beskrivande namn, till exempel langchain_env.
Kör följande kommando i terminalen:
python -m venv langchain_envAktivera er miljö
När den har skapats behöver ni aktivera den virtuella miljön. Då anger ni att systemet ska använda Python och paketen från just denna miljö.
Kommandot beror på vilket operativsystem ni använder:
- macOS/Linux:
source langchain_env/bin/activate - Windows:
.\langchain_env\Scripts\activate
Installera LangChain Core
Nu när miljön är aktiv installerar vi LangChains kärnbibliotek. Paketet innehåller de grundläggande byggstenarna för arbete med LLM:er.
Använd pip, Pythons pakethanterare, för att hämta LangChain:
pip install langchainInstallera en LLM-leverantör
LangChain fungerar som ett gränssnitt mot olika LLM-leverantörer, till exempel OpenAI, Google och Anthropic. Ni behöver installera det specifika biblioteket för den leverantör ni vill använda.
I den här kursen använder vi ofta OpenAI som exempel. Installera deras Python-klient:
pip install openaiHantera API-nycklar säkert
För att interagera med LLM-leverantörer behöver ni en API-nyckel. Hårdkoda aldrig API-nycklar direkt i koden!
Det säkraste sättet är att ange dem som miljövariabler. För OpenAI anger ni vanligtvis OPENAI_API_KEY:
- macOS/Linux:
export OPENAI_API_KEY="your_key_here" - Windows (PowerShell):
$env:OPENAI_API_KEY="your_key_here"
Ersätt your_key_here med er faktiska nyckel.
Verifiera installationen
Låt oss köra ett kort Python-skript för att kontrollera att LangChain är installerat och kan importeras. Det anropar ännu ingen LLM, utan kontrollerar bara installationen.
Prova att köra följande exempel:
from langchain_core.prompts import ChatPromptTemplate
print("LangChain Core imported successfully!")
print("Your environment is ready!")Vad händer härnäst i LangChain?
Bra jobbat! Er LangChain-miljö är nu konfigurerad. Ni har installerat de nödvändiga biblioteken och verifierat kärnkomponenterna.
I nästa lektion går vi djupare in på hur LangChain faktiskt används för att interagera med LLM:er, med fokus på promptar och grundläggande kedjor.
Frågesport om miljöinstallation
Vilka av följande är god praxis när ni konfigurerar en ny projektmiljö för LangChain?
Sammanfattning: er start med LangChain
Ni har konfigurerat er första utvecklingsmiljö för LangChain!
- Vi har lärt oss varför virtuella miljöer är viktiga.
- Ni skapade och aktiverade en separat miljö.
- Ni installerade biblioteket LangChain och en LLM-leverantör.
- Ni förstod hur API-nycklar hanteras säkert.
- Ni verifierade installationen med ett enkelt Python-skript.
Nu är ni redo att börja bygga fantastiska LLM-applikationer!
Lär dig LangChain / RAG / vektordatabaser med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 12
- Lektioner
- 48
Vanliga frågor
Är lektionen ”Konfigurera din LangChain-miljö” gratis?
Ja – hela texten till ”Konfigurera din LangChain-miljö” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i LangChain / RAG / vektordatabaser, kan Ni uppgradera till CoddyKit PRO. Kursen i LangChain / RAG / vektordatabaser innehåller totalt 4 lektioner.
Vad lär jag mig i ”Konfigurera din LangChain-miljö”?
Konfigurera utvecklingsmiljön och installera nödvändiga bibliotek för att börja bygga med LangChain och integrera med LLM:er. Ni övar på LangChain / RAG / vektordatabaser med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig LangChain / RAG / vektordatabaser?
Du behöver inga förkunskaper. Utbildningen i LangChain / RAG / vektordatabaser på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 1 av 4.
Hur lång tid tar lektionen ”Konfigurera din LangChain-miljö”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här LangChain / RAG / vektordatabaser-lektionen?
Ja. Varje LangChain / RAG / vektordatabaser-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Konfigurera din LangChain-miljö
- Prompter, LLM:er och grundläggande kedjor
- Utdata-parserar och callbacks
- Minne och konversationskontext i LangChain