LangChain入门：用Python构建大语言模型应用的完整指南

最新推荐文章于 2025-04-24 08:59:30 发布

脱泥不tony

最新推荐文章于 2025-04-24 08:59:30 发布

阅读量785

点赞数 28

文章标签： langchain python 语言模型大语言模型自然语言处理人工智能大模型

本文链接：https://blog.youkuaiyun.com/2401_85378759/article/details/144903842

版权

在两年的人工智能的浪潮中，大语言模型（如GPT）正逐渐改变我们与技术互动的方式。然而，如何将这些强大的模型应用到实际场景中，仍然是一个挑战。这就是LangChain的用武之地。LangChain是一个用Python构建的框架，旨在帮助开发者轻松集成和扩展大语言模型，构建智能应用。今天，我们将一起探索LangChain的核心功能，并学习如何使用它来构建自己的大语言模型应用。

什么是LangChain？

LangChain是一个开源框架，专门用于构建基于大语言模型的应用。它提供了一套工具和组件，帮助开发者更高效地处理文本生成、问答、对话系统等任务。无论是构建智能客服、自动化文档生成，还是开发个性化的聊天机器人，LangChain都能为你提供强大的支持。

LangChain的核心组件

LangChain的核心设计理念是模块化和可扩展性。以下是它的主要组件：

• Models：支持多种大语言模型，如OpenAI的GPT、Hugging Face的模型等。
• Prompts：用于设计和优化输入提示（Prompt），以引导模型生成更准确的输出。
• Chains：将多个任务串联起来，形成复杂的工作流。
• Agents：让模型能够根据上下文动态选择工具和操作。
• Memory：用于存储和检索对话历史或上下文信息。

安装LangChain

在开始之前，我们需要安装LangChain。你可以使用以下命令安装：

pip install langchain

如果你计划使用OpenAI的GPT模型，还需要安装OpenAI的Python库：

pip install openai

使用LangChain构建一个简单的问答应用

让我们从一个简单的例子开始：构建一个基于GPT的问答应用。

from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# 初始化OpenAI模型
llm = OpenAI(api_key="你的OpenAI API密钥", temperature=0.7)

# 定义提示模板
prompt_template = PromptTemplate(
    input_variables=["question"],
    template="请回答以下问题：{question}"
)

# 创建链
chain = LLMChain(llm=llm, prompt=prompt_template)

# 运行链
question = "Python是什么？"
response = chain.run(question)
print(response)

• 代码解析：
• OpenAI：初始化GPT模型。
• PromptTemplate：定义输入提示的模板。
• LLMChain：将模型和提示模板组合成一个链。
• chain.run：运行链并获取模型的回答。

运行这段代码后，你会看到GPT对“Python是什么？”这个问题的回答。

使用Chains构建复杂工作流

LangChain的Chains功能允许我们将多个任务串联起来。例如，我们可以先让模型生成一段文本，然后对其进行总结：

from langchain.chains import SimpleSequentialChain

# 定义第一个链：生成文本
prompt_template1 = PromptTemplate(
    input_variables=["topic"],
    template="请写一段关于{topic}的短文。"
)
chain1 = LLMChain(llm=llm, prompt=prompt_template1)

# 定义第二个链：总结文本
prompt_template2 = PromptTemplate(
    input_variables=["text"],
    template="请总结以下文本：{text}"
)
chain2 = LLMChain(llm=llm, prompt=prompt_template2)

# 创建顺序链
overall_chain = SimpleSequentialChain(chains=[chain1, chain2], verbose=True)

# 运行顺序链
topic = "人工智能"
response = overall_chain.run(topic)
print(response)

这段代码会先生成一段关于“人工智能”的短文，然后对其进行总结。

使用Memory存储对话历史

LangChain的Memory功能允许我们存储和检索对话历史，从而实现更连贯的交互。例如：

from langchain.memory import ConversationBufferMemory

# 初始化Memory
memory = ConversationBufferMemory()

# 创建链
prompt_template = PromptTemplate(
    input_variables=["input", "history"],
    template="以下是我们的对话历史：{history}\n请回答以下问题：{input}"
)
chain = LLMChain(llm=llm, prompt=prompt_template, memory=memory)

# 运行链
response1 = chain.run("你好，我是小明。")
print(response1)
response2 = chain.run("你还记得我的名字吗？")
print(response2)