使用 Gemini 构建自己的 ChatGPT

设置环境和库

首先，让我们创建一个虚拟环境！在本教程中，我将使用Python 3.10版本。它可以从这里下载。

接下来我将在Pycharm中使用这个Python作为基础解释器来创建一个虚拟环境。

现在pip安装谷歌genai库。

pip install --upgrade --quiet langchain-google-genai pillow

同样让我们使用streamlit库来创建一个应用程序。

pip install streamlit

现在让我们安装一个帮助加载环境变量的库。

pip install python-dotenv

获取API密钥

Google API

我们将利用双子座模型，每当我们使用任何大型语言模型时，我们需要一个独特的API密钥来访问其功能。

如果我们想要使用OpenAI的模型，我们需要使用OpenAI的API密钥。对于本文，我们将继续使用Google Gemini。

登录您的Gmail帐户，然后转到此页面。

在里边去谷歌 AI 工作室获取谷歌 API 密钥。

接下来，下一步是创建一个API密钥并复制它们。然后，我们可以在项目中创建一个.env文件，用来存储所有的API密钥。

浪链API

此外，我们将使用Langchain，因为它提供了一个统一的界面，通过单个API密钥与各种大型语言模型（LLMs）进行交互，使我们能够轻松切换不同模型，并利用它们独特的优势和能力。

在这里注册。然后转到设置，然后创建一个API密钥。复制它们并粘贴到.env文件中。

让我们一起在代码中放在一起

首先，让我们创建包含所有API_KEY的.env文件。

GOOGLE_API_KEY='*******************'
LANGCHAIN_API_KEY='**************************************'
LANGCHAIN_PROJECT='default'

接下来的一步是开始编码！

import streamlit as st
from dotenv import load_dotenv
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_google_genai import ChatGoogleGenerativeAI

在这里使用Streamlit来创建应用程序。Dotenc用于导入环境变量。而且我们使用Langchain的某些模块！

这里使用 ChatPromptTemplate 类来为基于聊天的语言模型结构化提示。StrOutputParser 类用于将模型的输出解析为字符串。ChatGoogleGenerativeAI 类用于与 Google 的 Gemini AI 模型交互。

现在让我们加载环境变量！

load_dotenv()

现在让我们调用导入的模块并实例化模型。

# Now we can instantiate our model object and generate chat completions:
llm = ChatGoogleGenerativeAI(
    model="gemini-1.5-pro",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a chatbot"),
        ("human", "Question:{question}")
    ]
)

st.title('Langchain Demo With Gemini')
input_text = st.text_input("Enter your question here")

output_parser = StrOutputParser()

chain = prompt | llm | output_parser

if input_text:
    st.write(chain.invoke({'question': input_text}))

llm = ChatGoogleGenerativeAI(...): 创建一个 ChatGoogleGenerativeAI 类的实例，代表 Gemini 语言模型。
model="gemini-1.5-pro": 指定要使用的特定Gemini型号变体。
温度=0：将温度参数设置为0。更低的温度会使模型的输出更加确定（减少随机性）。
max_tokens=None: 在生成的响应中不设置最大 token 数的限制。
timeout=None: 设置 API 请求没有超时。
max_retries=2：如果API请求失败，指定重试的最大次数。

定义聊天提示：

prompt = ChatPromptTemplate.from_messages(...): 使用ChatPromptTemplate类创建一个聊天提示模板。该模板定义了与模型对话的结构。
[("system", "您是一个聊天机器人"), ("human", "问题：{question}")]: 定义了对话中的两个角色:
“系统”：设置模型的初始指令，告诉它扮演聊天机器人的角色。
“人类”：代表用户的输入，将被插入到{question}的位置。

Streamlit网络应用界面:

st.title('Langchain Demo With Gemini')：设置Streamlit网页应用程序的标题。
input_text = st.text_input("在此输入您的问题"): 在Web应用程序中创建一个文本输入字段，用户可以在其中输入他们的问题。

输出解析:

output_parser = StrOutputParser(): 创建 StrOutputParser 类的一个实例，它将用于将模型的输出解析为简单字符串。

浪链链:

链=提示| llm |输出解析器：通过连接提示、语言模型（llm）和输出解析器，构建了一个Langchain链。这个链定义了数据的流动：提示传递给模型，模型生成响应，响应由输出解析器解析。

处理用户输入并显示响应:

如果输入文本:: 检查用户是否在输入字段中输入了任何文本。
st.write(chain.invoke({'question': input_text})): 如果有输入，链会被调用(chain.invoke(...))，并且用户的问题作为输入传递进去。模型的响应会被解析成一个字符串，然后使用st.write()在Streamlit应用程序中显示。

运行Python脚本

在终端中输入