LangChain: AI大语言模型的新篇章

本文介绍了LangChain框架，它能够将大型语言模型与其他计算或知识来源相结合，从而实现功能更加强大的应用。接着，对LangChain的关键概念进行了详细说明，并基于该框架进行了一些案例尝试，旨在帮助读者更轻松地理解LangChain的工作原理。

引言

近期，大型语言模型(LLM)如GPT系列模型引领了人工智能领域的一场技术革命。开发者们都在利用这些LLM进行各种尝试，虽然已经产生了许多有趣的应用，但是单独使用这些LLM往往难以构建功能强大的实用应用。

LangChain通过将大型语言模型与其他知识库、计算逻辑相结合，实现了功能更加强大的人工智能应用。简单来说，个人理解LangChain可以被视为开源版的GPT插件，它提供了丰富的大语言模型工具，可以在开源模型的基础上快速增强模型的能力。

在此，我总结了最近对LangChain的学习内容，欢迎各位同学前来交流。LangChain使得语言技术的运用更加活跃多元，它有望在人工智能领域发挥重要作用，推动我们工作效率的变革。我们正处在人工智能爆发的前夜，积极拥抱新技术将会带来全新的体验。

LangChain主要概念与示例

LangChain提供了一系列的工具帮助我们更好的使用大语言模型(LLM)。可以认为主要有6种不同类型的工具：

模型(Models)

LangChain的一个核心价值就是它提供了标准的模型接口；然后我们可以自由的切换不同的模型，当前主要有两种类型的模型，但是考虑到使用场景，对我们一般用户来说就是使用一种模型即文本生成模型。

说到模型，大家就理解模型就是ChatGPT就可以。单纯的模型只能生成文本内容。

• 语言模型(Language Models)

用于文本生成，文字作为输入，输出也是文字。

1. 普通LLM：接收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：将聊天消息列表作为输入，并返回一个聊天消息。

代码案例：

from langchain.schema import HumanMessage``from langchain.llms import OpenAI``from langchain.chat_models import ChatOpenAI``llm = OpenAI()``chat_model = ChatOpenAI()``print(llm("say hi!"))``print(chat_model.predict("say hi!"))

• 文本嵌入模型(Text Embedding Models)

把文字转换为浮点数形式的描述：

这些模型接收文本作为输入并返回一组浮点数。这些浮点数通常用于表示文本的语义信息，以便进行文本相似性计算、聚类分析等任务。文本嵌入模型可以帮助开发者在文本之间建立更丰富的联系，提高基于大型语言模型的应用的性能。

from langchain.embeddings import OpenAIEmbeddings``embeddings = OpenAIEmbeddings()``text = "This is a test document."``query_result = embeddings.embed_query(text)``doc_result = embeddings.embed_documents([text])``print(doc_result)

提示词(Prompts)

提示词是我们与模型交互的方式，或者是模型的输入，通过提示词可以让模型返回我们期望的内容，比如让模型按照一定的格式返回数据给我们。

LangChain提供了一些工具，可以方便我们更容易的构建出我们想要的提示词，主要工具如下：

了解这些工具都是更方便的让我们构造提示词就行了。

• PromptTemplates

语言模型提示词模板PromptTemplates，提示模板可以让我们重复的生成提示，复用我们的提示。它包含一个文本字符串（“模板”），从用户那里获取一组参数并生成提示，包含：

1. 对语言模型的说明，应该扮演什么角色。

2. 一组少量示例，以帮助LLM生成更好的响应。

3. 具体的问题。

代码案例：

from langchain import PromptTemplate``   ``   ``template = """``I want you to act as a naming consultant for new companies.``What is a good name for a company that makes {product}?``"""``   ``prompt = PromptTemplate(`    `input_variables=["product"],`    `template=template,``)``prompt.format(product="colorful socks")``# -> I want you to act as a naming consultant for new companies.``# -> What is a good name for a company that makes colorful socks?

• ChatPrompt Templates

聊天模型提示词模板ChatPrompt Templates，ChatModels接受聊天消息列表作为输入。列表一般是不同的提示，并且每个列表消息一般都会有一个角色。

from langchain.prompts import (`    `ChatPromptTemplate,`    `PromptTemplate,`    `SystemMessagePromptTemplate,`    `AIMessagePromptTemplate,`    `HumanMessagePromptTemplate,``)``from langchain.schema import (`    `AIMessage,`    `HumanMessage,`    `SystemMessage``)``template="You are a helpful assistant that translates {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])``   ``# get a chat completion from the formatted messages``print(chat_prompt.format_prompt(input_language="English", output_language="French", text="I love programming.").to_messages())

• Example Selectors

示例选择器Example Selectors，如果有多个案例的时候，使用ExampleSelectors选择一个案例让提示词使用：

1. 自定义的案例选择器。

2. 基于长度的案例选择器，输入长的时候按理会少一点，输入多的时候，案例会多一些。

3. 相关性选择器，选择一个和输入最相关的案例。

from langchain.prompts.example_selector.base import BaseExampleSelector``from typing import Dict, List``import numpy as np``   ``   ``class CustomExampleSelector(BaseExampleSelector):``   `    `def __init__(self, examples: List[Dict[str, str]]):`        `self.examples = examples``   `    `def add_example(self, example: Dict[str, str]) -> None:`        `"""Add new example to store for a key."""`        `self.examples.append(example)``   `    `def select_examples(self, input_variables: Dict[str, str]) -> List[dict]:`        `"""Select which examples to use based on the inputs."""`        `return np.random.choice(self.examples, size=2, replace=False)``   ``   ``examples = [`    `{"foo": "1"},`    `{"foo": "2"},`    `{"foo": "3"}``]``   ``# Initialize example selector.``example_selector = CustomExampleSelector(examples)``# Select examples``print(example_selector.select_examples({"foo": "foo"}))``# -> array([{'foo': '2'}, {'foo': '3'}], dtype=object)``# Add new example to the set of examples``example_selector.add_example({"foo": "4"})``print(example_selector.examples)``# -> [{'foo': '1'}, {'foo': '2'}, {'foo': '3'}, {'foo': '4'}]``# Select examples``print(example_selector.select_examples({"foo": "foo"}))``# -> array([{'foo': '1'}, {'foo': '4'}], dtype=object)``   

• OutputParsers

输出解析器OutputParsers，可以让LLM输出更加结构化的信息：

1. 指示模型如何格式化输出：get_format_instructions

2. 输出解析为所需的格式：parse(str)

主要的Parsers：

1. CommaSeparatedListOutputParser，让LLM按照逗号分隔的形式返回。[