LangChain入门教程 - 表达式入门

什么是LangChain表达式

LangChain表达式语言，或者LCEL，是一种声明式的方式，可以轻松地将链条组合在一起。这一节我们还是关注具体应用，关于流式，异步支持，还有跟踪集成什么的以后再讲。

基本的表达式：提示 + 模型 + 输出解析器

我们这里写一个笑话生成器，把提示模板，模型还是格式化输出链接在一起，接受一个主题并创建笑话。

from langchain_community.chat_models import QianfanChatEndpoint
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

# 创建ChatModel
chat = QianfanChatEndpoint(
    model='ERNIE-Bot',
    endpoint='completions'
)

prompt = ChatPromptTemplate.from_template('给我讲一个关于{topic}的笑话吗？要求100字以内。')
output_parser = StrOutputParser()

# 注意：| 符号类似于 unix 管道操作符，它将不同的组件链接在一起，将一个组件的输出作为下一个组件的输入。
chain = prompt | chat | output_parser

r = chain.invoke({'topic': '大象'})
print(r)

'''输出
有一天，一只大象走进了一家酒吧，它对酒吧的调酒师说：“给我一杯啤酒。”调酒师惊讶地看着它说：“可是，你是一头大象，你怎么喝酒呢？”大象笑了笑，说：“我已经练了好几年的鼻子功夫了，没问题的！”
'''

如果不用LCEL，那么代码执行代码就必须按如下方式编写：

prompt_value = prompt.invoke({'topic': '大象'})
print(prompt_value) # 看一下prompt展开后的内容
r = chat.invoke(prompt_value)
output_parser.invoke(r)

RAG搜索实例

什么是RAG？检索增强生成,英文Retrieval-Augmented Generation的缩写。用书面语解释就是：通过将检索模型和生成模型结合在一起,从而提高了生成内容的相关性和质量。 通俗一点说就是你给大模型一点参考资料防止丫的胡说八道。为了实现RAG，我们必须在链条上加上参考资料的读取。代码如下：

from langchain_community.embeddings import QianfanEmbeddingsEndpoint
from langchain_community.llms import QianfanLLMEndpoint
from langchain_community.vectorstores import DocArrayInMemorySearch
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableParallel, RunnablePassthrough

llm = QianfanLLMEndpoint(model="ERNIE-Bot-turbo")

# 根据《前出师表》文本构造向量信息
text = ''
with open('前出师表.txt', 'r', encoding='utf-8') as f:
    text = f.read()
    
lines = [_line.strip() for _line in text.splitlines() if _line]

vectorstore = DocArrayInMemorySearch.from_texts(
    lines,
    embedding=QianfanEmbeddingsEndpoint(),
)
retriever = vectorstore.as_retriever()

# 构造LCEL
template = '基于以下上下文信息：{context}\n回答问题：{question}'

prompt = ChatPromptTemplate.from_template(template)
output_parser = StrOutputParser()
setup_and_retrieval = RunnableParallel({"context": retriever, "question": RunnablePassthrough()})

chain = setup_and_retrieval | prompt | llm | output_parser

r = chain.invoke('作者在文章中痛惜什么？')
print(r)
'''输出
作者在文章中痛惜的是先帝创业未半而中道崩殂，以及后汉倾颓的原因是亲小人远贤臣。作者在文章中提到先帝在时，每与臣论此事，未尝不叹息痛恨于桓、灵也，表达了对先帝的敬仰之情，同时也表达了对后汉倾颓的痛惜之情。此外，作者也提到汉室之兴衰与用人之道密切相关，希望后主能够亲贤臣，远小人，这样才能重振汉室。
'''

r = chain.invoke('哪些人是死节之臣？')
print(r)
'''输出
根据上下文信息，文中提到了侍中、尚书、长史、参军，此悉贞良死节之臣，因此可以得出这些人都是死节之臣。
'''

回顾一下整个工作流程：

1. 首先，创建一个 RunnableParallel 对象，其中包含两个条目。第一个条目 context 将包含检索器检索到的文档结果。第二个条目 question 将包含用户的原始问题。为了传递问题，我们使用 RunnablePassthrough 来复制该条目。
2. 将上述步骤中的字典提供给 prompt 组件。然后，它将用户输入（即 question）以及检索到的文档（即 context）用于构建提示，并输出 PromptValue。
3. llm 组件接受生成的提示，并将其传递给千帆大模型进行评估。模型生成的输出是一个 ChatMessage 对象。
4. 最后，output_parser 组件接受一个 ChatMessage，将其转换为 Python 字符串，并从 invoke 方法返回。