一文教会你用 LangChain 快速构建大模型应用

这篇文章，我们将向你教你如何使用 LangChain 快速构建一个简单的 LLM 应用，本系列文章将使用 Jupyter notebooks 和 VSCode 编辑器，推荐大家也用这两个，简单易用，非常适合学习如何使用大型语言模型系统，因为事情有时会出错（意外输出、API故障等），在交互环境中逐步阅读指南是更好理解它们的好方法。如果还没使用过的同学，可以参考我们先前的教程文章 《代码编辑与数据分析的完美结合：VSCode 携手 Jupyter Notebook》

1、LangChain 介绍

LangChain 是一个开源框架，旨在简化和加速语言模型（如 GPT-4、通义千问 等）的应用开发。它提供了一系列工具和组件，帮助开发者构建基于语言模型的应用程序，特别是在自然语言处理（NLP）和对话系统方面。

LangChain 包含比较完善的生态， 下面的依赖图显示了不同包之间的关系， 一个有向箭头表示源包依赖于目标包：

• langchain-core：是 LangChain 的核心包，提供了构建和管理语言模型应用所需的基本组件和功能，包括链（Chains）、代理（Agents）、工具（Tools）和内存（Memory）等，帮助开发者快速搭建复杂的自然语言处理工作流。该包旨在简化与语言模型的交互，使开发者能够更高效地创建智能应用；
• langgraph：是一个用于可视化和分析语言模型工作流的工具包，它允许开发者以图形化方式构建和展示复杂的自然语言处理管道。通过直观的界面，用户可以轻松管理和优化各个组件之间的交互，提高开发效率；
• langchain-community：是一个专为 LangChain 用户设计的扩展包，提供了一系列社区贡献的组件和工具，旨在增强 LangChain 的功能。该包包含示例、模板和实用工具，帮助开发者更高效地构建基于语言模型的应用；
• Integrations 集成包：是指与其他工具和服务的连接，旨在扩展 LangChain 的功能和应用场景。这些集成包可以与多种外部 API、数据库、云服务和其他机器学习框架协同工作，例如：langchain-openai、langchain-postgres 等；

正如上面依赖图所示，langchain 包承上启下，作为使用 LangChain 框架的起点，安装 langchain 包会自动安装以上介绍的 langchain-core、langgraph、langchain-community 包，Integrations 集成中的包根据需要进行安装。

我们使用国内的清华源来安装 langchain 包，运行以下命令即可完成安装

pip install langchain -U -i https://pypi.tuna.tsinghua.edu.cn/simple/

2、语言模型使用

LangChain 支持许多不同的语言模型，你可以使用你想要使用的模型！LangChain 支持几乎包括绝大部分的大模型供应商，包括国外的：OpenAI、AWS、谷歌、微软、Hugging Face、IBM等，国内的：阿里云、百度、腾讯、字节跳动、华为、科大讯飞、智普清言等等。

本文我们使用阿里云的通义千问语言模型，可以去通义千问官网申请 apikey，申请地址：dashscope.console.aliyun.com/apiKey

创建一个 api-key，这个 api-key 要好好保存，如果不慎遗失了，可以在查看里面找到这个 key

让我们首先直接使用模型，我们从 langchain_community.llms 包中导入 Tongyi 模型，然后简单地调用模型，我们可以将消息列表传递给 invoke 方法，其中

• HumanMessage：代表用户或人类参与者发送的消息。这通常是用户的输入或提问，系统需要根据这些消息进行响应；
• SystemMessage：代表系统或机器生成的消息。这可以是系统的提示、背景信息、指示或任何其他非用户输入的内容；

import os
os.environ["DASHSCOPE_API_KEY"] = "api-key"

from langchain_community.llms import Tongyi
from langchain_core.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage(content="Translate the following from English into Chinese"),
    HumanMessage(content="hi!"),
]
Tongyi().invoke(messages)

# --------输出--------
# '你好！'

3、提示词模板

前面我们直接将消息列表传递给语言模型，但是我们可以使用提示词模版 PromptTemplates 用来接收原始用户输入并返回准备传递给语言模型的数据（提示）。

让我们在这里创建一个 PromptTemplate。它将接收两个用户变量：

• language: 要翻译成的语言
• text: 要翻译的文本

from langchain_core.prompts import ChatPromptTemplate

system_template = "Translate the following into {language}:"

prompt_template = ChatPromptTemplate.from_messages(
    [("system", system_template), ("user", "{text}")]
)

result = prompt_template.invoke({"language": "Chinese", "text": "hi"})
result.to_messages()

# --------输出--------
# [SystemMessage(content='Translate the following into Chinese:', additional_kwargs={}, response_metadata={}),
# HumanMessage(content='hi', additional_kwargs={}, response_metadata={})]

4、使用 LCEL 连接组件

我们可以使用 LangChain 表达式 (LCEL) 来连接以上 LangChain 模块的简单示例，这种方法有几个好处，包括优化的流式处理和追踪支持。如下所示，我们使用管道 (|) 操作符将其与上面的模型和提示词模版结合起来：

chain = prompt_template | Tongyi() 
chain.invoke({"language": "Chinese", "text": "hi"})

# --------输出--------
# '你好'

这篇文章，我们教你如何使用 LangChain 快速构建一个简单的 LLM 应用，包括 LangChain 介绍、通义语言模型使用、提示词模板、使用 LCEL 连接组件的完整介绍，希望对你有帮助！

---

如果你喜欢本文，欢迎点赞，并且关注我们的微信公众号：Python技术极客，我们会持续更新分享 Python 开发编程、数据分析、数据挖掘、AI 人工智能、网络爬虫等技术文章！让大家在Python 技术领域持续精进提升，成为更好的自己！

添加作者微信（coder_0101），拉你进入行业技术交流群，进行技术交流