diff --git "a/InternLM2/02-InternLM2-7B-chat langchain \346\216\245\345\205\245.md" "b/InternLM2/02-InternLM2-7B-chat langchain \346\216\245\345\205\245.md"
new file mode 100644
index 00000000..fb3563c7
--- /dev/null
+++ "b/InternLM2/02-InternLM2-7B-chat langchain \346\216\245\345\205\245.md"	
@@ -0,0 +1,99 @@
+# InternLM2-7B-chat langchain 接入
+
+InternLM2 ，即书生·浦语大模型第二代，开源了面向实用场景的70亿参数基础模型与对话模型 （InternLM2-Chat-7B）。模型具有以下特点：
+
+- 有效支持20万字超长上下文：模型在20万字长输入中几乎完美地实现长文“大海捞针”，而且在 LongBench 和 L-Eval 等长文任务中的表现也达到开源模型中的领先水平。 可以通过 LMDeploy 尝试20万字超长上下文推理。
+- 综合性能全面提升：各能力维度相比上一代模型全面进步，在推理、数学、代码、对话体验、指令遵循和创意写作等方面的能力提升尤为显著，综合性能达到同量级开源模型的领先水平，在重点能力评测上 InternLM2-Chat-20B 能比肩甚至超越 ChatGPT （GPT-3.5）。
+- 代码解释器与数据分析：在配合代码解释器（code-interpreter）的条件下，InternLM2-Chat-20B 在 GSM8K 和 MATH 上可以达到和 GPT-4 相仿的水平。基于在数理和工具方面强大的基础能力，InternLM2-Chat 提供了实用的数据分析能力。
+- 工具调用能力整体升级：基于更强和更具有泛化性的指令理解、工具筛选与结果反思等能力，新版模型可以更可靠地支持复杂智能体的搭建，支持对工具进行有效的多轮调用，完成较复杂的任务。
+
+
+## 环境准备  
+
+在 autodl 平台中租赁一个 3090 等 24G 显存的显卡机器，如下图所示镜像选择 PyTorch-->2.0.0-->3.8(ubuntu20.04)-->11.8  
+
+![机器配置选择](images/1.png)
+接下来打开刚刚租用服务器的 JupyterLab，并且打开其中的终端开始环境配置、模型下载和运行 demo。
+
+pip 换源加速下载并安装依赖包
+
+```shell
+# 升级pip
+python -m pip install --upgrade pip
+# 更换 pypi 源加速库的安装
+pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
+
+pip install modelscope==1.11.0
+pip install transformers==4.37.0
+pip install sentencepiece==0.1.99
+pip install accelerate==0.24.1
+pip install transformers_stream_generator==0.0.4
+pip install langchain
+```  
+
+## 模型下载  
+
+使用 modelscope 中的 snapshot_download 函数下载模型，第一个参数为模型名称，参数 cache_dir 为模型的下载路径。
+
+在 /root/autodl-tmp 路径下新建 model_download.py 文件并在其中输入以下内容，粘贴代码后请及时保存文件，如下图所示。并运行 `python /root/autodl-tmp/model_download.py` 执行下载，模型大小为 14GB，下载模型大概需要 2 分钟。
+
+```python
+import torch
+from modelscope import snapshot_download, AutoModel, AutoTokenizer
+import os
+model_dir = snapshot_download('Shanghai_AI_Laboratory/internlm2-chat-7b', cache_dir='/root/autodl-tmp', revision='master')
+```  
+
+## 代码准备
+
+为便捷构建 LLM 应用，我们需要基于本地部署的 InternLM2-LM，自定义一个 LLM 类，将 InternLM2 接入到 LangChain 框架中。完成自定义 LLM 类之后，可以以完全一致的方式调用 LangChain 的接口，而无需考虑底层模型调用的不一致。
+
+基于本地部署的 InternLM2 自定义 LLM 类并不复杂，我们只需从 LangChain.llms.base.LLM 类继承一个子类，并重写构造函数与 _call 函数即可：
+
+```python
+from langchain.llms.base import LLM
+from typing import Any, List, Optional
+from langchain.callbacks.manager import CallbackManagerForLLMRun
+from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig, LlamaTokenizerFast
+import torch
+
+class InternLM2_LLM(LLM):
+    # 基于本地 Qwen2 自定义 LLM 类
+    tokenizer: AutoTokenizer = None
+    model: AutoModelForCausalLM = None
+        
+    def __init__(self, mode_name_or_path :str):
+
+        super().__init__()
+        print("正在从本地加载模型...")
+        self.tokenizer = AutoTokenizer.from_pretrained(mode_name_or_path, trust_remote_code=True)
+        self.model = AutoModelForCausalLM.from_pretrained(mode_name_or_path, torch_dtype=torch.float16, trust_remote_code=True).cuda()
+        self.model = self.model.eval()
+        print("完成本地模型的加载")
+        
+    def _call(self, prompt : str, stop: Optional[List[str]] = None,
+                run_manager: Optional[CallbackManagerForLLMRun] = None,
+                **kwargs: Any):
+
+        response, history = self.model.chat(self.tokenizer, prompt, history=[])
+        
+        return response
+    @property
+    def _llm_type(self) -> str:
+        return "InternLM2_LLM"
+```
+
+在上述类定义中，我们分别重写了构造函数和 _call 函数：对于构造函数，我们在对象实例化的一开始加载本地部署的 InternLM2 模型，从而避免每一次调用都需要重新加载模型带来的时间过长；_call 函数是 LLM 类的核心函数，LangChain 会调用该函数来调用 LLM，在该函数中，我们调用已实例化模型的 chat 方法，从而实现对模型的调用并返回调用结果。
+
+在整体项目中，我们将上述代码封装为 LLM.py，后续将直接从该文件中引入自定义的 LLM 类。
+
+## 代码运行
+
+然后就可以像使用任何其他的langchain大模型功能一样使用了。
+
+```python
+from LLM import InternLM2_LLM
+
+llm = InternLM2_LLM(mode_name_or_path = "/root/autodl-tmp/Shanghai_AI_Laboratory/internlm2-chat-7b")
+llm("你是谁")
+```
\ No newline at end of file
diff --git "a/Qwen1.5/02-Qwen1.5-7B-Chat \346\216\245\345\205\245langchain\346\220\255\345\273\272\347\237\245\350\257\206\345\272\223\345\212\251\346\211\213.md" "b/Qwen1.5/02-Qwen1.5-7B-Chat \346\216\245\345\205\245langchain\346\220\255\345\273\272\347\237\245\350\257\206\345\272\223\345\212\251\346\211\213.md"
index 2f8e555a..843480a6 100644
--- "a/Qwen1.5/02-Qwen1.5-7B-Chat \346\216\245\345\205\245langchain\346\220\255\345\273\272\347\237\245\350\257\206\345\272\223\345\212\251\346\211\213.md"	
+++ "b/Qwen1.5/02-Qwen1.5-7B-Chat \346\216\245\345\205\245langchain\346\220\255\345\273\272\347\237\245\350\257\206\345\272\223\345\212\251\346\211\213.md"	
@@ -4,7 +4,7 @@
 
 在 autodl 平台中租赁一个 3090 等 24G 显存的显卡机器，如下图所示镜像选择 PyTorch-->2.0.0-->3.8(ubuntu20.04)-->11.8  
 
-![机器配置选择](images/4.png)
+![机器配置选择](images/1.png)
 接下来打开刚刚租用服务器的 JupyterLab，并且打开其中的终端开始环境配置、模型下载和运行 demo。
 
 pip 换源加速下载并安装依赖包
diff --git a/README.md b/README.md
index 3fca9f83..77753d69 100644
--- a/README.md
+++ b/README.md
@@ -48,7 +48,7 @@
 
 - [InternLM2](https://github.com/InternLM/InternLM)
   - [x] [InternLM2-7B-chat FastApi 部署调用](./InternLM2/01-InternLM2-7B-chat%20FastAPI部署.md) @ 不要葱姜蒜
-  - [ ] InternLM2-7B-chat langchain 接入
+  - [x] [InternLM2-7B-chat langchain 接入](./InternLM2/02-InternLM2-7B-chat%20langchain%20接入.md) @ 不要葱姜蒜
   - [x] [InternLM2-7B-chat WebDemo 部署](./InternLM2/03-InternLM2-7B-chat WebDemo 部署.md) @ 白玉
   - [ ] InternLM2-7B-chat Xtuner Qlora 微调