🚀如何使用抱抱脸和 LangChain 在本地使用人工智能

Photo by Radowan Nakif Rehan on Unsplash

“智力的衡量标准是改变的能力。” — 阿尔伯特·爱因斯坦

人工智能在近年来有了显著的发展，但许多用户仍然依赖于 cloud-based models 例如 ChatGPT、DeepSeek 或 Claude 来处理自然语言任务。然而，这种依赖也带来了若干缺点。

❌ 使用基于云的 AI 模型的问题

1. 隐私与安全风险 🛑: 您的数据被发送到第三方服务器，这对于敏感或专有信息可能会造成问题。
2. 高成本 💰: 访问先进的 AI 模型可能很昂贵，特别是在使用量增加时。
3. 延迟与连接问题 🌍: 基于云的 AI 依赖于稳定的互联网连接，这对于实时应用并不理想。
4. 外部依赖 🔗: 如果您依赖的云服务更改其政策、提高价格或关闭，您的访问可能会受到影响。

解决方案? 本地运行 AI 模型。这就是 Hugging Face 和 LangChain 发挥作用的地方。

🧠 什么是 Hugging Face，它有什么用途？

Hugging Face 是一个开源平台，提供数千个 免费的 AI 模型，用于各种应用：

✅ 自然语言处理 (NLP) ✅ 文本生成 ✅ 机器翻译 ✅ 文本分类 ✅ 情感分析

Hugging Face 的 Transformers 库使得在 Python 中使用这些模型变得极其简单。您可以通过以下方式安装它：

🔹 示例：文本摘要

这是一个简单的示例，展示如何使用 Hugging Face 在仅几行代码中总结文本：

from transformers import pipeline

summarizer = pipeline(“summarization”, model=“facebook/bart-large-cnn”)

text = “Artificial intelligence is revolutionizing multiple industries…”

summary = summarizer(text, max_length=50, min_length=10, do_sample=False)
print(summary[0][‘summary_text’])

这将自动下载并在您的机器上本地运行该模型。

🔗 什么是 LangChain，它如何增强 Hugging Face？

LangChain 是一个 Python 框架，简化了 AI 模型与工作流的 集成。

使用 LangChain，您可以：✅ 将多个 AI 模型 连接到一个应用程序 ✅ 添加记忆 以保留之前的交互 ✅ 实现高级提示工程 ✅ 将 AI 与数据库、API 和外部工具集成

要安装它，请使用：

🔹 示例：将 Hugging Face 连接到 LangChain

让我们将一个 Hugging Face 模型包装在 LangChain 中，以增强其功能：

from langchain.llms import HuggingFacePipeline
from transformers import pipeline

model_pipeline = pipeline(“text-generation”, model=“mistralai/Mistral-7B-v0.1”)

llm = HuggingFacePipeline(pipeline=model_pipeline)

prompt = “Explain Einstein’s theory of relativity in simple terms.” response = llm.invoke(prompt)

print(response)

这个设置使得扩展和组合 AI 模型与其他组件变得更加容易。

🔥 结合AI模型以实现高级应用

LangChain的一个最大优势是它能够将多个模型串联在一起以创建强大的AI工作流程。

一个实际的例子是：

1. 文本摘要 📄 → 使用Hugging Face模型缩短长文档。
2. 精炼 ✍️ → 次级模型提高摘要的连贯性。
3. 问答 ❓ → 问答模型允许用户从摘要文本中提取相关见解。

以下是如何实现这一点：

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.llms import HuggingFacePipeline
from transformers import pipeline


summarizer = pipeline("summarization", model="facebook/bart-large-cnn")
refiner = pipeline("text-generation", model="gpt2")
qa_model = pipeline("question-answering", model="distilbert-base-cased-distilled-squad")


summary_template = PromptTemplate(template="Summarize this text in {length} words: {text}")
qa_template = PromptTemplate(template="Based on this summary: {summary}, answer the question: {question}")

summary_chain = LLMChain(llm=HuggingFacePipeline(pipeline=summarizer), prompt=summary_template)
qa_chain = LLMChain(llm=HuggingFacePipeline(pipeline=qa_model), prompt=qa_template)


text_to_summarize = "Artificial intelligence is transforming healthcare..."
summary = summary_chain.invoke({"text": text_to_summarize, "length": "50"})
answer = qa_chain.invoke({"summary": summary, "question": "How is AI used in healthcare?"})

print(f"Summary: {summary}")
print(f"Answer: {answer}")

这个管道有效地总结、增强和提取信息。

🌟 用例：如何应用这些工具

现在我们了解了 Hugging Face 和 LangChain，让我们探索 实际应用，看看它们可以如何有效地使用：

📚 1. 研究与学术写作

• 总结长篇论文 📄
• 从复杂文档中提取关键信息 📑
• 自动化文献综述 🔍

📢 2. 营销与内容创作

• 生成SEO优化的博客文章 ✍️
• 创建广告文案变体 🎯
• 自动化社交媒体内容 📱

## Sample code
def hello_world():
    print("Hello, world!")

🏥 3. 医疗与医学分析

• 从医学研究中提取见解 🏥
• 使用人工智能辅助医生进行问答 🩺
• 总结病历以便快速查看 📋

🏦 4. 财务与商业智能

• 分析财务报告 📊
• 总结收益电话会议和市场趋势 💹
• 自动化数据驱动的决策 🤖

🧑‍💻 5. 开发者生产力与AI助手

• 构建AI驱动的编码助手 👨‍💻
• 从代码库生成文档 📜
• 自动化数据处理与自然语言处理工作流程 🚀

🚀 结论

使用 Hugging Face 和 LangChain 在 本地 运行 AI 消除了对云的依赖，并提供了： ✅ 更高的隐私和安全性 🔒 ✅ 更低的运营成本 💰 ✅ 更快的处理速度 ⚡ ✅ 更灵活的集成 🚀

如果您正在构建 AI 驱动的应用程序，利用 Hugging Face & LangChain 是您可以做出的最明智的选择之一。今天就开始探索，提升您的 AI 项目到一个新层次！ 💡

• Datacamp 平台
• 在 Linkedin 上关注我 https://www.linkedin.com/in/kevin-meneses-897a28127/
• Medium https://medium.com/@kevinmenesesgonzalez/subscribe
• 订阅 Data Pulse 新闻通讯 https://www.linkedin.com/newsletters/datapulse-python-finance-7208914833608478720
• 加入我的 Patreon 社区 https://patreon.com/user?u=29567141&utm_medium=unknown&utm_source=join_link&utm_campaign=creatorshare_creator&utm_content=copyLink