LangChain入门教程：从基础到应用

LangChain入门教程：从基础到应用

什么是LangChain？

LangChain是一个强大的框架，帮助开发人员使用大型语言模型（LLM）构建端到端应用程序。它提供了一套工具、组件和接口，简化了创建由LLM和聊天模型支持的应用程序的过程。LangChain可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如API和数据库。

如何使用LangChain？

要使用LangChain，开发人员需要导入必要的组件和工具，例如LLMs、聊天模型、代理、链和内存功能。这些组件组合在一起，创建一个可以理解、处理和响应用户输入的应用程序。

LangChain的模型

LangChain中的模型主要分为三类：

1. LLM（大型语言模型）：将文本字符串作为输入并返回文本字符串作为输出。
2. 聊天模型（Chat Model）：将聊天消息列表作为输入并返回聊天消息，方便管理对话历史记录和维护上下文。
3. 文本嵌入模型（Text Embedding Models）：将文本作为输入并返回表示文本嵌入的浮点列表，用于文档检索、聚类和相似性比较等任务。

LangChain的主要特点

LangChain提供六个主要功能领域的支持：

1. LLM和提示管理：简化提示的管理和优化，为所有LLM创建通用界面。
2. 链（Chain）：对LLM或其他实用程序的调用序列，提供标准接口并与各种工具集成。
3. 数据增强生成：与外部数据源交互以收集生成步骤的数据。
4. 代理（Agents）：使LLM能够做出行动决定，采取行动并继续执行直到完成任务。
5. 内存管理：维护链或代理调用之间的状态。
6. 评估：提供提示和链来帮助开发者使用LLM评估他们的模型。

使用示例

构建语言模型应用程序：LLM

from langchain.llms import OpenAI

# 我们使用中转API平台
llm = OpenAI(temperature=0.9, base_url="https://jiekou.wlai.vip")
text = "What would be a good company name for a company that makes colorful socks?"
print(llm(text))

Prompt Templates: 管理LLMs的Prompts

from langchain.prompts import PromptTemplate

prompt = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?",
)
print(prompt.format(product="colorful socks"))

构建语言模型应用程序：Chat Model

from langchain.chat_models import ChatOpenAI
from langchain.schema import AIMessage, HumanMessage, SystemMessage

# 我们使用中转API平台
chat = ChatOpenAI(temperature=0, base_url="https://jiekou.wlai.vip")
chat([HumanMessage(content="Translate this sentence from English to French. I love programming.")])

使用内存与聊天模型

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder, SystemMessagePromptTemplate, HumanMessagePromptTemplate
from langchain.chains import ConversationChain
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory

prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know."),
    MessagesPlaceholder(variable_name="history"),
    HumanMessagePromptTemplate.from_template("{input}")
])

# 我们使用中转API平台
llm = ChatOpenAI(temperature=0, base_url="https://jiekou.wlai.vip")
memory = ConversationBufferMemory(return_messages=True)
conversation = ConversationChain(memory=memory, prompt=prompt, llm=llm)
conversation.predict(input="Hi there!")
conversation.predict(input="I'm doing well! Just having a conversation with an AI.")
conversation.predict(input="Tell me about yourself.")

完整代码示例

import os
os.environ["OPENAI_API_KEY"] = "your_openai_api_key"

from langchain.chat_models import ChatOpenAI
from langchain.schema import AIMessage, HumanMessage, SystemMessage

# 我们使用中转API平台
chat = ChatOpenAI(temperature=0, base_url="https://jiekou.wlai.vip")
batch_messages = [
    [
        SystemMessage(content="You are a helpful assistant that translates English to Chinese."),
        HumanMessage(content="Translate this sentence from English to Chinese. I love programming.")
    ],
    [
        SystemMessage(content="You are a helpful assistant that translates English to Chinese."),
        HumanMessage(content="Translate this sentence from English to Chinese. I love artificial intelligence.")
    ],
]
result = chat.generate(batch_messages)
print(result)
print(result.llm_output['token_usage'])

总结

通过以上内容，我们了解了LangChain的基本概念、主要特点和一些具体的使用方法。LangChain作为一个强大的框架，为开发人员提供了丰富的工具和组件，帮助他们高效地构建由语言模型支持的应用程序。希望本文能够帮助你快速上手LangChain，充分利用其强大的功能构建出色的应用程序。