LangChain常用组件介绍

1. LangChain简介：
   • LangChain是一个围绕LLMs（大语言模型）建立的框架，由Harrison Chase在2022年10月创建。
   • 它不开发LLMs，而是为各种LLMs实现通用接口，简化LLMs应用的开发难度。
   • 目前支持Python和Nodejs两种语言的实现。

   pip install qianfan
   pip install langchain
   pip install langchain-community
   

2. LangChain主要组件：

   • Models：支持LLMs（大语言模型)、Chat Models（聊天模型）、Embeddings Models（嵌入模型）等模型类型。

     # LLMs（大语言模型）：接受文本字符，输出文本字符 。
     import os
     from langchain_community.llms import QianfanLLMEndpoint
     # 1.设置qianfan的API-KEY和Serect-KEY
     os.environ["QIANFAN_AK"] = 	"******"
     os.environ["QIANFAN_SK"] = "****"
     
     # 2.实例化模型
     llm = QianfanLLMEndpoint(model="ChatGLM2-6B-32K")
     res = llm.invoke("请帮我讲一个笑话")
     print(res)
     

# Chat Models（聊天模型）: 聊天模型 ,基于大语言模型，不同的是接收的是聊天消息（一种特定的数据作为输入)
import os
from langchain_community.chat_models import QianfanChatEndpoint
from langchain_core.messages import HumanMessage
# # 1.设置qianfan的API-KEY和Serect-KEY
os.environ["QIANFAN_AK"] = 	"******"
os.environ["QIANFAN_SK"] = "*****"
# 2.实例化模型
chat = QianfanChatEndpoint(model='Qianfan-Chinese-Llama-2-7B')
messages = [HumanMessage(content="给我写一首唐诗")]
res = chat.invoke(messages)
print(res)

import os
from langchain_community.embeddings import QianfanEmbeddingsEndpoint
# # 1.设置qianfan的API-KEY和Serect-KEY
os.environ["QIANFAN_AK"] = 	"****"
os.environ["QIANFAN_SK"] = "****"
# 2.实例化向量模型
embed = QianfanEmbeddingsEndpoint(model='Embedding-V1')

# 3.一段文本的向量化
result1 = embed.embed_query("这是一个测试文档")
print(f'result1-->{result1}')
print(f'result1的长度-->{len(result1)}')

# 4.一批文本向量化
result2 = embed.embed_documents(["这是一个测试文档", "这是二个测试文档"])
print(result2)
print(len(result2))
print(len(result2[0]))
print(len(result2[1]))

• Prompts：用于向模型提供提示，帮助模型理解复杂业务场景。
• Memory：保存和模型交互时的上下文状态。
• Indexes：用于结构化文档，方便与模型交互。
• Chains：一系列对各种组件的调用。
• Agents：决定模型行动，执行并观察流程直到完成。

3. Models组件详解：
   • 介绍了LLMs（大语言模型）、Chat Models（聊天模型）、Embeddings Models（嵌入模型）三种模型类型及其应用场景。
   • 提供了使用qianfan大模型平台实现LLMs组件应用的步骤，包括安装工具包、设置环境变量和调用API等。
4. Prompts组件：
   • 解释了Prompt的作用，即向模型提供提示以理解复杂业务场景。
   • 提到了zero-shot和few-shot等提示方式。
5. 应用场景：
   • 虽然文档未直接列出具体的应用场景，但强调了LangChain通过简化LLMs应用开发难度，使得开发者能够更快速地开发复杂的LLMs应用。
6. 代码示例：
   • 提供了使用qianfan大模型平台实现Embedding Models（嵌入模型）的Python代码示例，包括设置环境变量、创建嵌入模型和调用API等步骤。