【可能是全网最丝滑的LangChain教程】三、快速入门LLM Chain

FeiMinds

已于 2024-03-24 08:33:20 修改

阅读量3.1k

点赞数 9

分类专栏： LangChain 文章标签： langchain 人工智能 chatgpt nlp

于 2024-03-17 15:12:13 首次发布

本文链接：https://blog.csdn.net/Jeffray1991/article/details/136779288

版权

LangChain 专栏收录该内容

22 篇文章

订阅专栏

本文介绍了LangChain的基本概念，包括安装、使用OpenAIAPI集成、构建应用实例（如介绍李白的简单链和提示模板的应用）。作者展示了如何通过LangChain实现基于API的LLM交互，以及如何处理输出结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

系列文章地址

【可能是全网最丝滑的LangChain教程】一、LangChain介绍

【可能是全网最丝滑的LangChain教程】二、LangChain安装

使用LangChain构建应用

LangChain支持构建应用程序，将外部数据源和计算源连接到LLM。我们将从一个简单的 LLM 链开始，它只依赖于提示模板中的信息来响应。接下来，我们将构建一个检索链，该链从单独的数据库获取数据并将其传递到提示模板中。然后，我们将添加聊天记录，以创建对话检索链。这允许您以聊天方式与此 LLM 进行交互，因此它会记住以前的问题。最后，我们将构建一个代理，利用 LLM 来确定它是否需要获取数据来回答问题。

LLMChain

LangChain可以通过 API 提供的模型（如 OpenAI）和本地开源模型（如 Ollama）等集成。开源模型的部署依赖于我们拥有的硬件配置，我将不做过多分析。

这里我将使用OpenAI提供的API做示例。

首先，我们需要导入 LangChain x OpenAI 集成包。

pip install langchain-openai

访问 API 需要一个 API 密钥，您可以通过创建一个帐户并前往此处来获取该密钥。

一旦我们有了密钥，我们就要通过运行以下命令将其设置为环境变量（非必须）：

export OPENAI_API_KEY="..."

然后，我们可以初始化模型：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI()

如果您不想设置环境变量，则可以在启动 OpenAI LLM 类时直接通过命名参数传入密钥：openai_api_key

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(openai_api_key="...")

一旦你安装并初始化了你选择的LLM，我们就可以尝试使用它了！

让我们问它“请介绍一下李白？” 。

llm.invoke("介绍一下李白？")

输出如下：

AIMessage(content='李白（701年－762年），字太白，号青莲居士，唐朝时期伟大的浪漫主义诗人，被后人誉为“诗仙”。他出生于今天的陕西省凤翔县，自幼聪明好学，擅长诗词歌赋，一生创作了大量的诗歌，其作品风格豪放奔放，语言优美，富有想象力，具有极高的艺术价值。

李白的诗歌题材广泛，包括山水田园、历史人物、神话传说、饮酒抒怀等，他的诗歌充满了浪漫主义色彩，表现出对自由、理想和自然的热爱。他的代表作有《静夜思》、《将进酒》、《庐山谣》、《早发白帝城》等，这些作品在中国文学史上占有重要地位。

李白的一生充满了传奇色彩，他曾游历过许多地方，与当时的文人墨客交往甚广，他的诗歌也深受人们的喜爱。然而，他的生活并不平稳，曾多次遭遇政治挫折，但他始终保持乐观豁达的态度。晚年，李白因病返回故乡，最终在安徽当涂去世。

李白的诗歌对中国文学产生了深远影响，他的作品被后世广为传颂，成为中国古代诗歌的瑰宝。 ')

我们还可以使用提示模板来指导它的响应。提示模板用于将原始用户输入转换为更好的 LLM 输入。

from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级的历史人物研究人员，擅长用一句话输出回答。"),
    ("user", "{input}")
])

现在，我们可以将它们组合成一个简单的 LLM 链：

chain = prompt | llm

我们现在可以调用它并提出相同的问题，理论上它应该输出一句介绍李白的话。

chain.invoke({"input": "请介绍一下李白？"})

输出：

AIMessage(content='李白，唐朝浪漫主义诗人，被誉为“诗仙”。 ')

模型的输出是一条消息。但是，使用字符串通常要方便得多。让我们添加一个简单的输出解析器，将聊天消息转换为字符串。

from langchain_core.output_parsers import StrOutputParser

output_parser = StrOutputParser()

现在，我们可以将其添加到上一个链中：

chain = prompt | llm | output_parser

我们现在可以调用它并提出相同的问题。答案现在将是一个字符串（而不是 AIMessage）

输出：

李白，唐朝浪漫主义诗人，被誉为“诗仙”。

总结

至此，我们就学会了LangChain中所谓的“Chain”的基本使用。既然是基本使用，肯定也有高级用法，甚至我们可以自己“自定义Chain”来处理我们逻辑。具体怎么使用，请关注后续文章更新。

Peace Guys