使用 LangChain Decorators 优化你的 AI 流程-CSDN博客

本文链接：https://blog.csdn.net/mmlihaio/article/details/142851080

引言

在构建基于AI的应用时，编写和管理复杂的提示和链式调用可能会变得繁琐。LangChain Decorators 提供了一种简化此过程的方法，其通过添加语法糖来增强 LangChain 的使用体验。本文将引导您了解 LangChain Decorators 的基础知识，并展示如何利用它来优化您的 AI 开发流程。

主要内容

1. 什么是 LangChain Decorators？

LangChain Decorators 是一个用于简化 LangChain 提示和链路编写的扩展层。它提供了更简洁的编程方式，支持多行提示且不会因缩进而破坏代码流。此工具使得代码更具 Pythonic 风格，并充分利用 IDE 的文档和类型检查功能。

2. 安装和快速入门

首先，您需要安装该扩展：

pip install langchain_decorators

安装完成后，您可以通过以下方式使用它：

from langchain_decorators import llm_prompt

@llm_prompt
def generate_summary(topic: str) -> str:
    """
    Generate a brief summary about {topic}.
    """
    return

3. 定义全局设置和预定义提示类型

通过全局设置，您可以轻松管理默认 LLM 和流设置：

from langchain_decorators import GlobalSettings

GlobalSettings.define_settings(
    default_llm=ChatOpenAI(temperature=0.0)
)

您还可以定义自定义的提示类型：

from langchain_decorators import PromptTypes, PromptTypeSettings

class CustomPromptTypes(PromptTypes):
    ADVANCED_REASONING = PromptTypeSettings(llm=ChatOpenAI(model="gpt-4"))

4. 处理流式数据

LangChain Decorators 允许您轻松实现流式数据处理：

from langchain_decorators import StreamingContext, llm_prompt

@llm_prompt(capture_stream=True)
async def async_generate_summary(topic: str):
    """
    Generate a streaming summary about {topic}.
    """
    pass

tokens = []
def capture_stream_func(new_token: str):
    tokens.append(new_token)

with StreamingContext(callback=capture_stream_func):
    await async_generate_summary(topic="AI advancements")

代码示例

以下是如何使用 LangChain Decorators 生成公司名称建议的完整示例：

from langchain_decorators import llm_prompt

@llm_prompt
def suggest_company_names(idea: str, count: int) -> list:
    """Provide {count} suggestions for a company that {idea}."""
    return

suggestions = suggest_company_names(idea="sustainable energy", count=5)
print(suggestions)