解锁LangChain潜力：如何创建自定义LLM类

# 引言

在当今飞速发展的AI世界中，能够灵活地集成和使用自定义语言模型（LLM）变得尤为重要。LangChain提供了一种强大的方法来实现这一点。在这篇文章中，我们将探讨如何在LangChain中创建一个自定义LLM包装器，使您可以使用自己的LLM或不同于现有LangChain支持的包装器。

# 主要内容

## 1. 自定义LLM的核心方法

创建一个自定义LLM类，您需要实现以下两个核心方法：

- `_call`: 接收一个字符串和一些可选的停止词，返回一个字符串。
- `_llm_type`: 返回一个字符串，仅用于记录日志。

### 可选实现

- `_identifying_params`: 帮助识别模型并打印LLM；应返回一个字典。
- `_acall`: 提供_async_版本的`_call`，用于`ainvoke`。
- `_stream`和`_astream`: 分别提供同步和异步的输出流功能。

## 2. 代码实现

为了更好地理解，我们将实现一个简单的自定义LLM，返回输入的前`n`个字符。

```python
from typing import Any, Dict, Iterator, List, Optional
from langchain_core.callbacks.manager import CallbackManagerForLLMRun
from langchain_core.language_models.llms import LLM
from langchain_core.outputs import GenerationChunk

class CustomLLM(LLM):
    """一个自定义的聊天模型，返回输入的前 `n` 个字符。"""

    n: int

    def _call(self, prompt: str, stop: Optional[List[str]] = None, 
              run_manager: Optional[CallbackManagerForLLMRun] = None, **kwargs: Any) -> str:
        if