Python 库

从可用的样本 Notebook 中学习

样本 Notebook 可供您在创建自己的 Notebook 以执行常见任务 (例如，推断或调整基础模型) 时用作指南。

请参阅 Python 样本 Notebook GitHub 存储库。

从 IDE 使用 Python 库

ibm-watsonx-ai Python 库在 PyPI 上可从以下 URL 获取: https://pypi.org/project/ibm-watsonx-ai/。

您可以使用以下命令在集成开发环境中安装 ibm-watsonx-ai Python 库:

pip install ibm-watsonx-ai

如果已安装库，请包含 -U 参数以获取任何更新并使用最新版本的库。

pip install -U ibm-watsonx-ai

要通过使用 Python 库来管理使用 AI 模型所需的任何必备软件包，可以使用 wx_ai_samples_conda_env_RT24_1.yml 文件在用于编码的集成开发环境中设置 conda 环境。

有关使用 conda 配置文件来设置虚拟环境的更多信息，请参阅开发工具的文档。

• Visual Studio Code
• PyCharm

使用 Python 库中的 watsonx.ai 轻量级引擎

你可以使用 Python 库来处理从 watsonx.ai 轻量级引擎部署的基础模型。

当您使用 watsonx.ai 轻量级引擎中的库时，您无需将 project_id 或 space_id 值传递给 Credentials 对象。 相反，您需要初始化 APIClient 对象，并使用 APIClient 对象进行身份验证。

例如，下面的代码展示了如何在使用完整安装的基础模型的 API 请求中指定凭证：

embedding = Embeddings(
    model_id=EmbeddingTypes.IBM_SLATE_30M_ENG,
    params=embed_params,
    credentials=Credentials(
        url="URL",
        username="user",
        password="***",
        instance_id="openshift",
        version="5.0",
    ),
    project_id="*****",
)

下面的代码展示了如何对使用 watsonx.ai 轻量级引擎的基础模型的请求进行身份验证：

client = APIClient(
    credentials=Credentials(
        url="URL",
        username="user",
        password="***",
        instance_id="openshift",
        version="5.0",
    )
)
embeddings = Embeddings(model_id=EmbeddingTypes.IBM_SLATE_30M_ENG, api_client=client)

从笔记本使用 LangChain

LangChain 是一个框架，开发者可以使用此框架来创建包含大型语言模型的应用程序。 当您想要将两个或多个函数链接在一起时， LangChain 可能很有用。 例如，可以使用 LangChain 作为检索增强生成 (RAG) 任务的一部分。

有关更多信息，请参阅 LLMs > IBM watsonx.ai

使用其中一个利用 LangChain 的样本 RAG Notebook 来了解更多信息。 请参阅 RAG 示例。

从 Notebook 使用 LlamaIndex 函数

LlamaIndex 是用于构建大型语言模型应用程序的框架。 您可以在使用 watsonx.ai 基础模型构建的应用程序中利用 LlamaIndex, 提供的功能，如 text-to-SQL 或 Pandas DataFrames 功能。

有关更多信息，请参阅 LLMs> IBM watsonx.ai。

您可以从 watsonx.ai中的 Notebook 使用 LlamaIndex 函数。

先决条件

要开始使用 Python 库，首先需要凭证和项目标识或部署标识。 有关更多信息，请参阅以下主题：

• 用于程序化访问的凭证
• 查找项目标识

了解更多

• 获取基础模型信息
• 推断基础模型
• 使用提示模板来推断基础模型
• 调整基础模型
• 将文本转换为文本嵌入

父主题: 编码生成 AI 解决方案