langchain 入门指南（二）- 如何跟大模型对话

最新推荐文章于 2025-03-11 21:45:31 发布

白如意i

最新推荐文章于 2025-03-11 21:45:31 发布

阅读量2k

点赞数 42

分类专栏： langchain 文章标签： langchain ai 人工智能

本文链接：https://blog.csdn.net/rubys007/article/details/140486936

版权

langchain 专栏收录该内容

19 篇文章

订阅专栏

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

本文中，我们会通过一个简单的例子来展示如何使用 langchain 来调用大模型的 chat API（使用 Chat Model）。
这个例子前面也有使用过，但是前面还没有针对里面的内容进行详细的说明。

配置 key 的文档请看 langchain 入门指南（一）- 准备 API KEY

依赖安装

pip install -U langchain-openai

示例

下面的 ChatOpenAI 表示我们要使用的是 Chat Model，顾名思义，这个模型是用来进行对话的，这也是我们最常用的一种模型。

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

chat = ChatOpenAI(
    model="yi-large",
    temperature=0.3,
    max_tokens=200,
    api_key='your key',
    base_url="https://api.lingyiwanwu.com/v1"
)

messages = [
    SystemMessage(content="你是一名精通了 golang 的专家"),
    HumanMessage(content="写一个  golang 的 hello world 程序"),
]

response = chat.invoke(messages)

print(response.content)

ChatOpenAI 说明

使用 ChatOpenAI 类，我们可以调用 chat API。ChatOpenAI 类的构造函数有以下参数：

ChatOpenAI 参数

model：模型名称，例如 yi-large（零一万物），gpt-3.5-turbo（OpenAI HK）等。
temperature：用于控制生成文本的多样性，值越大，生成的文本越多样化。
max_tokens：生成文本的最大长度。（我们的输入和 LLM 的输出都需要消耗 token 数，所以如果只是测试，可以控制一下输出的 token 数量）
api_key：API 密钥（支持多种，不只是 OpenAI 的）。不填写的话，会从环境变量中读取（对应的环境变量是 OPENAI_API_KEY）。
base_url：API 的接口地址。不填写的话，会从环境变量中读取（对应的环境变量是 OPENAI_BASE_URL）。
timeout：超时时间，单位是秒。
max_retries: 最大重试次数。

invoke 方法的参数说明

我们可以看到上面的例子传递了一个 messages 参数，这个参数是一个列表，里面包含了 HumanMessage 和 SystemMessage。

在其他地方，我们可能会看到其他形式的参数，它实际上也支持很多种形式，例如：

元组列表

from langchain_openai import ChatOpenAI

chat = ChatOpenAI(
    model="yi-large",
    temperature=0.3,
    max_tokens=200,
    api_key='your key',
    base_url="https://api.lingyiwanwu.com/v1",
)

messages = [
    ('system', '你是一名精通了 golang 的专家'),
    ('human', '写一个  golang 的 hello world 程序')
]

response = chat.invoke(messages)

print(response.content)

BaseMessage 列表

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

chat = ChatOpenAI(
    model="yi-large",
    temperature=0.3,
    max_tokens=200,
    api_key='your key',
    base_url="https://api.lingyiwanwu.com/v1",
)

messages = [
    SystemMessage(content="你是一名精通了 golang 的专家"),
    HumanMessage(content="写一个  golang 的 hello world 程序"),
]

response = chat.invoke(messages)

print(response.content)

字符串

from langchain_openai import ChatOpenAI

chat = ChatOpenAI(
    model="yi-large",
    temperature=0.3,
    max_tokens=200,
    api_key='your key',
    base_url="https://api.lingyiwanwu.com/v1",
)

# 这个字符串参数会被转换为 HumanMessage
response = chat.invoke('使用 golang 写一个 hello world 程序')

print(response.content)

字符串列表

from langchain_openai import ChatOpenAI

chat = ChatOpenAI(
    model="yi-large",
    temperature=0.3,
    max_tokens=200,
    api_key='your key',
    base_url="https://api.lingyiwanwu.com/v1",
)

messages = [
    "你是一名精通了 golang 的专家",
    "写一个  golang 的 hello world 程序",
]

response = chat.invoke(messages)

print(response.content)

invoke 方法的返回值

上面是直接打印了返回值的 content 属性，实际上返回值中包含了其他一些有用的信息：

{
  "lc": 1,
  "type": "constructor",
  "id": [
    "langchain",
    "schema",
    "messages",
    "AIMessage"
  ],
  "kwargs": {
    "content": "<...省略...>",
    "response_metadata": {
      "token_usage": {
        "completion_tokens": 200,
        "prompt_tokens": 35,
        "total_tokens": 235
      },
      "model_name": "yi-large",
      "system_fingerprint": null,
      "finish_reason": "length",
      "logprobs": null
    },
    "type": "ai",
    "id": "run-29131a4f-e792-4c9e-8cf5-490afed94176-0",
    "usage_metadata": {
      "input_tokens": 35,
      "output_tokens": 200,
      "total_tokens": 235
    },
    "tool_calls": [],
    "invalid_tool_calls": []
  }
}