基于Deepseek和Langchain的cp文学生成器（上）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

随着ai的发展，ai-agent变得越来越常见。因为磕cp的时候，很难找到符合自己心意的cp文学，本文介绍了一种基于Langchain和Deepseek的cp文学生成器，更加的私人定制，符合心意。

一、Langchain

LangChain 是一个开源框架，用于构建基于大型语言模型（LLM）的应用程序。LLM 是基于大量数据预先训练的大型深度学习模型，可以生成对用户查询的响应，例如回答问题或根据基于文本的提示创建图像。LangChain 提供各种工具和抽象，以提高模型生成的信息的定制性、准确性和相关性。例如，开发人员可以使用 LangChain 组件来构建新的提示链或自定义现有模板。LangChain 还包括一些组件，可让 LLM 无需重新训练即可访问新的数据集。
官方文档：[https://www.langchain.com/]

二、Langchain的基本组件

• prompt：可选
  langchain中提供了可选择的Langchain Template,可以用于指导模型的相应，帮助理解上下文并生成相关的输出。
  同样在langchain中由几种不同类型的提示词模板：
• 字符串提示词模板
  这些提示词模板用于格式化单个字符串，通常可以更简单的输入。

from langchain_core.prompts import PromptTemplate

prompt_template = PromptTemplate.from_template("Tell me a joke about {topic}")

prompt_template.invoke({
   "topic": "cats"})

• 聊天提示词模板
  这些提示词模板用于格式化消息列表。不仅如此，使用这种模板可以设置system，即设置模型的语言风格。

from langchain_core.prompts import ChatPromptTemplate

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful assistant"),
    ("user", "Tell me a joke about {topic}")
])

prompt_template.invoke({
   "topic": "cats"})

在上述示例中，当调用此 ChatPromptTemplate 时，将构造两个消息。 第一个是系统消息，没有变量需要格式化。 第二个是 HumanMessage，将由用户传入的 topic 变量进行格式化。输出结果如下图所示：

• Retriever
  检索器是一个接口，给定非结构化查询返回文档。 它比向量存储更为通用。 检索器不需要能够存储文档，只需返回（或检索）它们。 检索器可以从向量存储创建，但也足够广泛，包括维基百科搜索和亚马逊Kendra。

  检索器接受字符串查询作为输入，并返回文档列表作为输出。

• Model
  Langchain 支持多种模型，均可在Langchain中的openAI部分找到。

• Parser
  LangChain 有许多不同类型的输出解析器。这是 LangChain 支持的输出解析器列表。下表包含各种信息：

  • 名称: 输出解析器的名称
  • 支持流式处理: 输出解析器是否支持流式处理。
  • 有格式说明: 输出解析器是否有格式说明。通常在以下情况下可用： (a) 所需的模式未在提示中指定，而是在其他参数中（如 OpenAI 函数调用），或 (b) 当 OutputParser 包装另一个 OutputParser 时。
  • 调用 LLM: 此输出解析器是否自己调用大型语言模型。通常只有那些试图纠正格式错误输出的输出解析器才会这样做。
  • 输入类型: 预期的输入类型。大多数输出解析器适用于字符串和消息，但某些（如 OpenAI 函数）需要带有特定关键字参数的消息。
  • 输出类型: 解析器返回的对象的输出类型。
  • 描述: 我们对这个输出解析器的评论以及何时使用它。
    Langchain 支持多种信息流的输出，如json、xml格式。

• 工具
  工具是设计用于被模型调用的实用程序：它们的输入旨在由模型生成，输出旨在返回给模型。 每当您希望模型控制代码的某些部分或调用外部API时，都需要工具。
  一个工具由以下部分组成：

  • 工具的名称。
  • 工具的 描述。
  • 定义工具输入的 JSON schema。
  • 一个 函数（可选地&#