随着LangChain Hub的推出，LangChain正在打造一个与像GitHub和Hugging Face这样的传统平台非常吻合的细分市场。GitHub长期以来一直是共享和协作代码的首选平台，而Hugging Face已经将自己建立为机器学习模型和数据集的中心化集散地。通过创建一个专门用于现成提示的存储库，LangChain Hub 正在促进一种社区驱动的提示工程方法，以适应快速发展的领域。这一举措使提示工程师更容易合作，重复使用现有的提示，并对其进行微调以实现特定的结果，从而加速对话代理和其他基于语言的应用程序的开发和部署。假设检查提示检验假设提示器是一种有价值的工具，用于剖析用户陈述中的潜在假设，并提供旨在验证这些主张有效性的替代问题。通过使用此提示器，可以自动化关键断言的审查过程，并生成一组可用于事实验证的替代问题。这在新闻调查、学术研究或任何需要严格事实核查机制的场景中特别有用。以下是使用该提示的代码：from langchain import hub, LLMChain
from langchain.chat_models import ChatOpenAI
from keys import OPENAI_API_KEY
import os
os.environ["OPENAI_API_KEY"] = OPENAI_API_KEY
assumption_template = hub.pull("smithing-gold/assumption-checker")
llm = ChatOpenAI()
llm_chain = LLMChain(llm=llm, prompt=assumption_template)
while True:
question = input("What is your question ? Type quit to leave the chat.\n\n")
if question == 'quit':
break
print("\n Response:")
response = llm_chain(question)
print(response)代码首先从 LangChain 导入所需的模块，以及 ChatOpenAI 模型和 OpenAI 的 API 密钥。LangChain 库提供了一系列功能，包括从 LangChain Hub 获取专门的提示的能力。ChatOpenAI 模型作为底层语言模型，将根据提示生成回复。导入模块后，代码将 OpenAI API 密钥设置为环境变量。这对于对 OpenAI API 进行身份验证的请求至关重要。随后，代码使用 hub.pull() 从 LangChain Hub 中提取 “Assumption Checker” 提示模板。该模板旨在识别给定陈述中的假设，并提出用于事实核查的替代问题。然后创建 ChatOpenAI 模型的实例，接着创建 LLMChain 的实例，它将语言模型（ llm ）和提取的提示（ assumption_template ）结合在一起。LLMChain 实际上是一系列语言模型和提示，旨在生成复杂的回答。代码进入无限循环，要求用户输入一个问题。它会持续运行，直到用户输入 “quit”。收到问题后，代码通过 LLMChain 处理它，利用语言模型和“Assumption Checker” 提示。结果是一个结构化的回答，识别问题中的假设并提出用于事实核查的替代查询。关于输出方面，当用户询问“认为地球是平的合理吗？”时，系统会识别这个问题中的假设。它假设认为地球是平的是合理的，并且存在关于地球形状的争议。然后，它会建议事实核查问题，比如“关于地球形状的科学共识是什么”。用户可以以更严谨的方式探索和验证最初的假设。提示生成器Prompt Maker 模板是一个非常宝贵的资源，可以自动化优化提示的过程，从而提高语言模型在各种应用中的质量和效果。通过使用这个模板，你可以大大减少手动调整提示所需的工作量，从而节省时间和资源。Prompt Maker 通过分析初始提示的结构和内容，然后应用一组预定规则或算法来优化提示，以提高响应质量、清晰度和相关性。这在提示的质量对模型的输出有很大影响的场景中特别有用，比如客户服务机器人、对话代理或数据分析任务。为了充分发挥 Prompt Maker 模板的潜力，通常需要将其集成到你的代码库中。就像 Assumption Checker 一样，你可以从 LangChain Hub 中获取此模板，并将其应用于你的语言模型链。这样可以确保你部署的每个提示都经过系统分析和改进，最终实现模型更准确、更连贯的响应。通过 Prompt Maker，你不仅可以使提示更加有效，还可以为更可靠和用户友好的交互体验做出贡献。以下是代码：from langchain import hub, LLMChain
from langchain.chat_models import ChatOpenAI
from keys import OPENAI_API_KEY
import os
os.environ["OPENAI_API_KEY"] = OPENAI_API_KEY
prompt_maker_template = hub.pull("hardkothari/prompt-maker")
llm = ChatOpenAI()
llm_chain = LLMChain(llm=llm, prompt=prompt_maker_template)
while True:
task = input("What is your task ? Type quit to leave the chat.\n\n")
if task == 'quit':
break
lazy_prompt = input("What is your current prompt? Type quit to leave the chat.\n\n")
if lazy_prompt == 'quit':
break
print("\n Response:")
response = llm_chain({'lazy_prompt': lazy_prompt, 'task': task})
print(response)Prompt Maker 的代码操作方式与 Assumption Checker 类似，但其目的不同：用于增强和优化用户提供的提示。在此设置中，ChatOpenAI 模型的一个实例被初始化，并从 LangChain Hub 中获取一个专门用于制作提示的模板。该模板旨在改进和扩展用户提供的 “懒惰” 或初始提示。运行代码时，首先要求用户指定他们想要完成的任务，比如 “写一篇文章”。接下来，用户被提示输入他们当前的“懒惰” 提示，本例中是关于作为一位著名经济学家写一篇关于通货膨胀的文章。然后，调用 LLMChain 对象，该对象是语言模型和提示模板的组合。它接受一个包含任务和懒惰提示的字典作为键，并将它们处理成更加精细和详细的提示作为输出。在我的例子中，初始提示是 “You are a renowned economist. You have a nobel prize in economics. Write an article about inflation.” 系统将其转化为一份全面而多方面的提示，不仅指示要写一篇文章，还提供了详细的指导，包括通货膨胀的原因和类型、对各个行业的影响以及货币政策的作用等等。输出作为一个高度详细和有指导性的提示，可以引导用户撰写一篇关于通货膨胀主题的全面而深入的文章。这展示了 Prompt Maker 自动化提示优化过程的能力，使其成为生成高质量内容的宝贵工具。文本到 SQL 提示编写 SQL 查询的过程通常很耗时，特别是在处理复杂的数据结构或需要进行复杂的数据操作时。然而，有了这个提示可以方便地将自然语言的问题或需求转化为精确的 SQL 查询，大大减少了手动编码的时间。自动化不仅节省时间，还提高了准确性和一致性。通过依赖于针对 SQL 查询生成进行优化的预定义提示，语法错误或逻辑不准确的几率大大减少。这在商业环境中特别有用，因为数据检索需要快速准确，以便做出明智的决策。此外，这个提示还可以实现更具包容性的工作环境。即使不精通 SQL 的团队成员也可以通过以自然语言提供需求的方式参与数据查询任务，然后提示会将其转换为 SQL 查询。本质上，这个提示作为自然语言和 SQL 之间的宝贵桥梁，实现了更加流畅、高效和包容性的数据操作和分析方法。无论是进行快速数据提取、复杂连接还是数据转换，这个自动化系统都有潜力成为任何数据专业人员工具箱中的强大工具。以下是代码：from langchain.utilities import SQLDatabase
from langchain.chat_models import ChatOpenAI
from langchain.schema.output_parser import StrOutputParser
from langchain import hub
from keys import OPENAI_API_KEY
import os
os.environ["OPENAI_API_KEY"] = OPENAI_API_KEY
# Initialize database
db = SQLDatabase.from_uri("sqlite:///Chinook.db")
# Pull down prompt
prompt = hub.pull("rlm/text-to-sql")
# Initialize model
model = ChatOpenAI()
# Create chain with LangChain Expression Language
inputs = {
"table_info": lambda x: db.get_table_info(),
"input": lambda x: x["question"],
"few_shot_examples": lambda x: "",
"dialect": lambda x: db.dialect,
}
sql_response = (
inputs
prompt
model.bind(stop=["\nSQLResult:"])
StrOutputParser()
)
# Call with a given question
response = sql_response.invoke({"question": "How many customers are there?"})
print(response)总之，LangChain Hub 正在成为开发人员和各个领域的专业人士不可或缺的资源。从添加严谨性的 Assumption Checker 到自动优化提示的 Prompt Maker，该平台提供了大大丰富语言模型的能力的工具。此外，像 Text to SQL 转换器这样的专业提示展示了该平台的多功能性，使其对很多人来说非常宝贵。}

集成灶这个产品目前很不成熟，使用过程中出现了很多问题，只是被瞒天过海的广告给忽悠了，试问集成灶厂家的几个问题，请回答！1. 集成灶与灶台之间出现高度差后怎么调节也许你可以回答我说设置了可调的支撑脚，那我问你：你的集成灶是落地款的，手怎么伸进去调节？如果你说两个人抬起来后再调节，那最好让我来抬，让你们的老板伸进手去调节。一个办法就是要把集成灶推倒才能调节，请问这样的设计合理吗？2. 集成灶推进灶台后怎么移出来集成灶的提手在集成灶的两边，当推进灶台后就无从下手，移出时需要将很多零部件拆掉才能敲出来，移出后未被拆掉的零部件出现了变形损坏，请问有这样的设计产品的吗？你千万别说你们公司的集成灶从来不会坏的，推进灶台后不用往出移动的。3. 集成灶推进灶台后两边出现的缝隙流进汤液后怎么办也许你可以说可以在缝隙处打玻璃胶啊！试问问你们的售后服务人员有几个用户是打过胶的？一则打过胶后很不美观，二则集成灶的故障率比传统的三件套高很多，难道你是让修一次就打一次胶？4. 烟机的蜗壳里面无法清理现在的油烟机取消了分离油烟的油网，只能通过风机上的叶轮高速转动来分离，使用一段时间蜗壳里面就会有很多呈胶质状的油污，所谓的蒸汽清洗、加热清洗、热风清洗完全是个噱头忽悠用户而已，传统的烟机还比较好清洗，而大部分集成灶根本无法清洗风机蜗壳。5. 噪音大、能效低、搬运困难（体积大又超重）装入灶台后破坏了灶台的整体性
一、优点1.集成化设计将吸油烟机、燃气灶、消毒柜、储藏柜、微晶灶、电磁炉等功能完美地融合为一体，具有独特的组合式和高效率的吸油烟效果，实现了各项功能最大化的使用效率，全自动化地智能控制，真正实现人们追求绿色环保型高档厨房电器产品的要求。2.低噪音集成灶下排风设计取消了置于人体头部的噪声源，能够实现低噪音工作。相对来说，油烟机工作处于人体听觉器官位置，高噪音，长期在这样的厨房里作业，就容易造成人体心烦、头晕、耳鸣目眩。3.抽油烟率高厨房集成灶的吸油烟率可达99.6%以上，能够将油烟和蒸气在未扩散之前就得到有效的排除，这样就可以给业主营造一个整洁而干净的厨房环境了。4.节省空间传统挂式油烟机占用空间比较大，而集成灶则采用的是下排式设计，省去了上方壁挂式吸油烟机的空间，能为开放式的现代厨房提供更多可用的空间。5.操控简单集成灶将燃气灶、吸油烟机、消毒柜等按人们通常使用模式有机结合在一起，微电脑控制，操作起来简单又方便。二、缺点1.价格偏高集成灶相对于传统厨房设备来说，价格方面就要高的多。从产品单价来说，集成灶比一些传统三件套还要贵上不少，这也就限制了集成灶的销售人群。2.安装麻烦集成灶并不是任何户型想装就可以装的，在装集成灶之前，必须根据需要预留出相关插座、孔、维修口等位置。如果厨房格局不能满足的情况下，可能就要进行大的改造。3.不方便维护集成灶一旦出现故障，维修起来会比较的麻烦。深井下排、侧吸式两种集成灶的清洗问题：①深井下排集成灶：平时清理油烟较麻烦，灶具周围和转轴部位的佐料、菜屑、污水形成污垢都极难清理。②侧吸式集成灶：清洗容易，但是需要天天清洗，不然过几天油烟净化器看上去就显得非常脏了。
官方电话
官方服务
}