LangChain简单大模型应用，保姆级教程，收藏这篇就够了！

本文链接：https://blog.csdn.net/Everly_/article/details/144883101

LangChain官方示例教程(Build a Simple LLM Application)：python.langchain.com/docs/tutori…
- 将该官方示例教程适当调整及优化

在这里插入图片描述

依赖

shell
代码解读
复制代码
pip install langchain

# 接入ollama本地大模型
pip install langchian-ollama
# 接入兼容OpenAI接口的国产大模型
pip install langchain-openai

提示词

输入

提示词主要有三种角色，LangChain有相应的Message类

python
代码解读
复制代码
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

# 原始写法
messages = [
    {"role": "system", "content": "将下面的内容翻译成 英语"},
    {"role": "user", "content": "你好，吃了吗？"},
    {"role": "assistant", "content": "Hello, have you eaten yet?"},
]

# 使用消息类
messages = [
    SystemMessage(content="将下面的内容翻译成 英语"),
    HumanMessage(content="你好，吃了吗？"),
    AIMessage(content="Hello, have you eaten yet?"),
]

# 另一种写法
messages = [
    ("system", "将下面的内容翻译成 英语"),
    ("human", "你好，吃了吗？"),
    ("ai", "Hello, have you eaten yet?"),
]

Message类的常用方法

python
代码解读
复制代码
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

message = AIMessage(content="Hello, have you eaten yet?")
# 以下两个方法，SystemMessage、HumanMessage、AIMessage均适用


# 打印输出
message.pretty_print()
# Message继承Pydantic，可以使用Pydantic方法
print(message.model_dump_json())

模板

使用"{xxx}"占位

python
代码解读
复制代码
from langchain_core.prompts import ChatPromptTemplate

# 输入
inputs = {"language": "英语", "text": "你好，吃了吗？"}

# 定义模板
template = ChatPromptTemplate(
    [("system", "将下面的内容翻译成 {language} "), ("human", "{text}")]
)

# 填充模板
result = template.invoke(inputs)
# result结果如下:
# messages = [
#     SystemMessage(content="将下面的内容翻译成 英语", additional_kwargs={}, response_metadata={}),
#     HumanMessage(content="你好,吃了吗?", additional_kwargs={}, response_metadata={}),
# ]

接入大模型

实例化大模型

详情看之前的文档：LangChain接入本地/国产大模型
ollama本地大模型

python
代码解读
复制代码
from langchain_ollama import ChatOllama

# ollama大模型
llm = ChatOllama(base_url="http://localhost:11434", model="qwen2.5:latest")

兼容OpenAI接口的大模型

python
代码解读
复制代码
from langchain_openai import ChatOpenAI

# 兼容OpenAI接口的国产大模型(如：阿里云、火山、腾讯云等)
llm = ChatOpenAI(
    openai_api_base="各个大平台兼容OpenAI的地址",
    openai_api_key="xxx-xxx", 
    model_name="模型名称/endpoint等"
)

调用方式

python
代码解读
复制代码
from langchain_ollama import ChatOllama
from langchain_core.messages import HumanMessage

# ollama大模型
llm = ChatOllama(base_url="http://localhost:11434", model="qwen2.5:latest")
# 提示词
messages = [HumanMessage(content="你好，吃了吗?")]

result = llm.invoke(messages)

主线(模板+大模型)

python
代码解读
复制代码
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate

# 输入
inputs = {"language": "英语", "text": "你好，吃了吗？"}

# 模板
template = ChatPromptTemplate(
    [("system", "将下面的内容翻译成 {language} "), ("human", "{text}")]
)

# 大模型
llm = ChatOllama(base_url="http://localhost:11434", model="qwen2.5:latest")


# 调用
# result = template.invoke(inputs)
# result = llm.invoke(result)

# LangChain写法
chain = template | llm
result = chain.invoke(inputs)

输出转换

输出转换器

转换成特定格式可以更好得进行业务串联

python
代码解读
复制代码
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_core.messages import AIMessage

# 模拟大模型返回的文本消息
message = AIMessage(content='{"name": "Alice", "age": 30}')

# 字符串输出解析器
str_parser = StrOutputParser()
result = str_parser.invoke(message)
print(type(result))  # <class 'str'>
print(result)  # {"name": "Alice", "age": 30}

# Json输出解析器(代码中呈现为字典)
json_parser = JsonOutputParser()
result = json_parser.invoke(message)
print(type(result))  # <class 'dict'>
print(result)  # {'name': 'Alice', 'age': 30}

主线(模板+大模型+输出)

python
代码解读
复制代码
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 输入
inputs = {"language": "英语", "text": "你好，吃了吗？"}

# 模板
template = ChatPromptTemplate(
    [("system", "将下面的内容翻译成 {language} "), ("human", "{text}")]
)
# 大模型
llm = ChatOllama(base_url="http://localhost:11434", model="qwen2.5:latest")
# 输出转换器
parser = StrOutputParser()


# 调用
# result = template.invoke(inputs)
# result = llm.invoke(result)
# result = parser.invoke(result)

# LangChain写法
chain = template | llm | parser
result = chain.invoke(inputs)

其他补充

模板

"placeholder"可替换列表

python
代码解读
复制代码
from langchain_core.prompts import ChatPromptTemplate

template = ChatPromptTemplate(
    [("system", "你是导游，回答用户提出的问题"), ("placeholder", "{conversation}")]
)

inputs = {
    "conversation": [
        ("human", "福州"),
        ("ai", "福州是一个....."),
        ("human", "什么季节去合适？"),
    ],
}


# 填充模板
messages = template.invoke(inputs)
# messages = [
#     SystemMessage(content="你是导游，回答用户提出的问题", additional_kwargs={}, response_metadata={}),
#     HumanMessage(content="福州", additional_kwargs={}, response_metadata={}),
#     AIMessage(content="福州是一个.....", additional_kwargs={}, response_metadata={}),
#     HumanMessage(content="什么季节去合适？", additional_kwargs={}, response_metadata={}),
# ]

多个占位符则使用字典一一对应即可

python
代码解读
复制代码
from langchain_core.prompts import ChatPromptTemplate

template = ChatPromptTemplate(
    [("system", "你是{role}，回答用户提出的问题"), ("placeholder", "{conversation}")]
)

inputs = {
    "role": "导游",
    "conversation": [
        ("human", "福州"),
        ("ai", "福州是一个....."),
        ("human", "什么季节去合适？"),
    ],
}


messages = template.invoke(inputs)