通过类比,十分钟掌握LangChain的快速入门

快速入门的三部曲跟家里安装防盗门的步骤是类似的.

1. 安装门
2. 密码
3. 测试一下

对应到解决方案领域的快速入门的三部曲是什么?

1. 安装 : Install
2. 环境设置: Env
3. 写DEMO: Demo

那对应到LangChain的快速入门上是什么呢?

前两个步骤没差异, 关键是写DEMO上.

了解本文详细内容前, 建议先看这篇, 了解了基本的架构内容后, 回头再写DEMO, 会快很多.

今日的DEMO也主要是从Model I/O的 提示模板 以及额外的LangChain表达式入手.

DEMO包含以下内容:

• • 使用LangChain进行设置
• • 使用LangChain最基本和最常用的组件: 提示模板、模型和输出解析器
• • 使用LangChain表达式语言(LECL)，这是LangChain构建的协议，有助于组件链接

要安装LangChain，请运行:

Pip/Conda 二选一即可

• • Pip 方式

pipinstalllangchain

• • Conda

condainstalllangchain-cconda-forge

官方详细安装指南[2]

使用LangChain通常需要与一个或多个模型提供者、数据存储、API等进行集成。本示例将使用OpenAI的模型API。

首先，我们需要安装他们的Python包：

pipinstallopenai

访问API需要一个API密钥，你可以通过创建一个帐户并前往这里[3]来获取。当我们获得了一个密钥之后，我们需要通过运行以下命令将其设置为环境变量：

exportOPENAI\_API\_KEY="..."

如果你不想设置环境变量，你可以在初始化OpenAI LLM类时直接通过openai_api_key命名参数传递密钥：

fromlangchain.llmsimportOpenAI llm=OpenAI(openai\_api\_key="...") 构建应用程序

LangChain提供了许多可以用来构建语言模型应用程序的模块。这些模块可以作为简单应用程序中的独立模块使用，也可以组合在一起用于更复杂的用例。

LangChain应用程序的核心构建模块是LLMChain。它结合了三个方面:

• • LLM/ChatModel (大语言模型/聊天模型): 语言模型是核心推理引擎。要使用LangChain，您需要了解不同类型的语言模型以及如何使用它们。
• • Prompt Templates: 提供语言模型的指令。这控制了语言模型的输出，因此了解如何构建提示和不同的提示策略至关重要。
• • Output Parsers: 将LLM的原始响应转换为更易处理的格式，使得在下游使用输出变得容易。

在本入门中，我们将逐个介绍这三个组件，然后介绍将它们组合在一起的LLMChain。了解这些概念将使您能够很好地使用和定制LangChain应用程序。大多数LangChain应用程序允许您配置LLM和/或使用的提示，因此了解如何利用这一点将是一个很好的帮助。

LangChain中有两种类型的语言模型，称为:

• • LLM: 这是一个以字符串作为输入并返回字符串的语言模型
• • ChatModels: 这是一个以消息列表作为输入并返回消息的语言模型

LLM的输入/输出简单易懂 - 都是字符串。但是ChatModels呢？这里的***输入是一个Message列表，输出是一个单独的Message***。

什么是Message? 基础的Message的接口的定义是BaseMessage. 他有两个必需的属性:

• • content: 消息的内容。
• • role: BaseMessage 的消息的角色。

LangChain提供了几个对象，用于方便地区分不同的角色:

• • HumanMessage: 来自人类/用户的BaseMessage 。
• • AIMessage: 来自AI/助手的BaseMessage 。
• • SystemMessage: 来自系统的BaseMessage 。
• • FunctionMessage/ToolMessage : 来自函数调用的BaseMessage 。

如果这些角色都不合适，还可以使用ChatMessage类手动指定角色。LangChain为两者提供了一个标准接口 .invoke()，所有LangChain表达式语言 (LCEL) 对象的通用同步调用方法:

• • LLM.invoke: 接受一个字符串，返回一个字符串
• • ChatModel.invoke: 接受一个BaseMessage 列表，返回一个BaseMessage。

让我们看看如何使用这些不同类型的模型和不同类型的输入。首先，让我们导入LLM和ChatModel。

fromlangchain.llmsimportOpenAI fromlangchain.chat_modelsimportChatOpenAI fromlangchain.schemaimportHumanMessage llm=OpenAI() chat_model=ChatOpenAI() text="Whatwouldbeagoodcompanynameforacompanythatmakescolorfulsocks?" messages=[HumanMessage(content=text)] llm.invoke(text) #>>FeetfulofFun chat_model.invoke(messages) #>>AIMessage(content="SocksO'Color")

OpenAI和ChatOpenAI对象基本上只是配置对象。您可以使用诸如temperature等参数对其进行初始化，并将其传递给其他对象。

大多数LLM应用程序不会直接将用户输入传递到LLM中。通常，它们会将用户输入添加到一个更大的文本片段中，称为提示模板，该模板提供了有关特定任务的附加上下文。

在前面的示例中，我们传递给模型的文本包含了生成公司名称的指令。对于我们的应用程序，如果用户只需提供公司/产品的描述而无需担心给出模型指令，那将非常好。

PromptTemplates正是为此而设计的！它们将用户输入转化为完全格式化的提示的所有逻辑绑定在一起。这可以从非常简单的开始 - 例如，产生上述字符串的提示只需是

fromlangchain.promptsimportPromptTemplate prompt=PromptTemplate.from\_template("Whatisagoodnameforacompanythatmakes{product}?") prompt.format(product="colorfulsocks")

Whatisagoodnameforacompanythatmakescolorfulsocks?

然而，使用这些而不是原始字符串格式化的优势有几个。您可以“部分”出变量 - 例如，您可以一次只格式化某些变量。您可以将它们组合在一起，轻松地将不同的模板组合成一个单独的提示。有关这些功能的说明，请参阅提示部分[4]以获取更多详细信息。

PromptTemplates还可以用于生成消息列表。在这种情况下，提示不仅包含有关内容的信息，还包含每个消息（其角色、其在列表中的位置等） 在这里，最常见的是ChatPromptTemplate是ChatMessageTemplate的列表。每个ChatMessageTemplate包含了格式化该ChatMessage的指令 - 其角色，以及其内容。让我们在下面看一下这个:

fromlangchain.prompts.chatimport( ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate, ) template="Youareahelpfulassistantthattranslates{input\_language}to{output\_language}." system\_message\_prompt=SystemMessagePromptTemplate.from\_template(template) human\_template="{text}" human\_message\_prompt=HumanMessagePromptTemplate.from\_template(human\_template) chat\_prompt=ChatPromptTemplate.from\_messages([system\_message\_prompt,human\_message\_prompt]) chat\_prompt.format\_messages(input\_language="English",output\_language="French",text="Iloveprogramming.")

[ SystemMessage(content="YouareahelpfulassistantthattranslatesEnglishtoFrench.",additional\_kwargs={}), HumanMessage(content="Iloveprogramming.") ]

除了ChatMessageTemplate之外，ChatPromptTemplates还可以包括其他内容 - 有关更多详细信息，请参阅提示部分[5]。

OutputParsers将LLM的原始输出转换为可以在下游使用的格式。输出解析器有几种主要类型，包括:

• • 将LLM的文本转换为结构化信息（例如JSON）
• • 将ChatMessage转换为字符串
• • 将除消息之外的其他信息（如OpenAI函数调用）转换为字符串。

有关此方面的详细信息，请参阅输出解析器部分[6]

在本入门指南中，我们将编写自己的输出解析器 - 将逗号分隔的列表转换为列表。

fromlangchain.schemaimportBaseOutputParser classCommaSeparatedListOutputParser(BaseOutputParser): """ParsetheoutputofanLLMcalltoacomma-separatedlist.""" defparse(self,text:str): """ParsetheoutputofanLLMcall.""" returntext.strip().split(",") CommaSeparatedListOutputParser().parse("hi,bye") #>>['hi','bye'] 用LECL进行链式调用(Composing with LCEL)

现在，我们可以将所有这些组合成一个链组件(LangChain的命名中, Chain的由来)。这个链组件将接收输入变量，将其传递给提示模板以创建提示，将提示传递给LLM，然后通过一个（可选的）输出解析器将输出传递出去。这是一种方便地将模块化逻辑捆绑在一起的方式。让我们看看它的作用！

fromlangchain.chat\_modelsimportChatOpenAI fromlangchain.prompts.chatimport( ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate, ) fromlangchain.chainsimportLLMChain fromlangchain.schemaimportBaseOutputParser classCommaSeparatedListOutputParser(BaseOutputParser): """ParsetheoutputofanLLMcalltoacomma-separatedlist.""" defparse(self,text:str): """ParsetheoutputofanLLMcall.""" returntext.strip().split(",") template="""Youareahelpfulassistantwhogeneratescommaseparatedlists. Auserwillpassinacategory,andyoushouldgenerate5objectsinthatcategoryinacommaseparatedlist. ONLYreturnacommaseparatedlist,andnothingmore.""" system\_message\_prompt=SystemMessagePromptTemplate.from\_template(template) human\_template="{text}" human\_message\_prompt=HumanMessagePromptTemplate.from\_template(human\_template) chat\_prompt=ChatPromptTemplate.from\_messages([system\_message\_prompt,human\_message\_prompt]) chain=LLMChain( llm=ChatOpenAI(), prompt=chat\_prompt, output\_parser=CommaSeparatedListOutputParser() ) chain.run("colors") #>>['red','blue','green','yellow','orange'] 参考资料

LangChain 中文文档 v0.0.291[7]
LangChain Introduction[8]

如果喜欢或者支持作者持续创作, 欢迎一键三连

[2] 官方详细安装指南: https://python.langchain.com/docs/get_started/installation
[3] 这里: https://platform.openai.com/account/api-keys
[4] 提示部分: https://python.langchain.com/docs/modules/model_io/prompts
[5] 提示部分: https://python.langchain.com/docs/modules/model_io/prompts
[6] 输出解析器部分: https://python.langchain.com/docs/modules/model_io/output_parsers
[7] LangChain 中文文档 v0.0.291: https://python.langchain.com.cn/docs/
[8] LangChain Introduction: https://python.langchain.com/docs/get_started/introduction