LangChain入门教程 - 表达式入门

什么是LangChain表达式

LangChain表达式语言,或者LCEL,是一种声明式的方式,可以轻松地将链条组合在一起。这一节我们还是关注具体应用,关于流式,异步支持,还有跟踪集成什么的以后再讲。

基本的表达式:提示 + 模型 + 输出解析器

我们这里写一个笑话生成器,把提示模板,模型还是格式化输出链接在一起,接受一个主题并创建笑话。

from langchain_community.chat_models import QianfanChatEndpoint
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

# 创建ChatModel
chat = QianfanChatEndpoint(
    model='ERNIE-Bot',
    endpoint='completions'
)

prompt = ChatPromptTemplate.from_template('给我讲一个关于{topic}的笑话吗?要求100字以内。')
output_parser = StrOutputParser()

# 注意:| 符号类似于 unix 管道操作符,它将不同的组件链接在一起,将一个组件的输出作为下一个组件的输入。
chain = prompt | chat | output_parser

r = chain.invoke({'topic': '大象'})
print(r)

'''输出
有一天,一只大象走进了一家酒吧,它对酒吧的调酒师说:“给我一杯啤酒。”调酒师惊讶地看着它说:“可是,你是一头大象,你怎么喝酒呢?”大象笑了笑,说:“我已经练了好几年的鼻子功夫了,没问题的!”
'''

如果不用LCEL,那么代码执行代码就必须按如下方式编写:

prompt_value = prompt.invoke({'topic': '大象'})
<think>首先,用户的问题是:“我想访问LangChain官方网站或获取其相关资源信息 请问LangChain official website”。我需要基于系统级指令和用户可见层的要求来回答。 系统级指令: - 所有行内数学表达式使用$...$格式。 - 独立公式使用$$...$$格式并单独成段。 - LaTeX语法正确。 - 使用中文回答。 - 生成相关问题。 - 回答中引用的段落末尾自然地添加引用标识,例如[^1]。 用户可见层: - 回答结构清晰,帮助用户逐步解决问题。 - 尽量保证回答真实可靠。 参考站内引用: - 引用[^1]:关于LangChain创建文档的信息。 - 引用[^2]:提到LangChain的JSONLoader和jq手册。 - 引用[^3]:提到Baichuan LLM和LangChain文档。 - 引用[^4]:关于LangGraph和LangChain代理。 - 引用[^5]:关于LangChain处理PDF文档。 用户的问题是关于LangChain官方网站的,所以我需要提供LangChain的官方网址。 从引用[^3]中,我看到:"LangChain Documentation: https://python.langchain.com/"。所以,LangChain的官方文档网站是https://python.langchain.com/。 另外,引用[^2]提到:"LangChain Documentation",但没有具体网址。引用[^4]也提到LangChain。 我应该确认这个网址。LangChain的主要网站是https://www.langchain.com/,但文档是https://python.langchain.com/。用户问的是“official website”,所以可能包括主网站和文档。 在回答中,我需要: - 使用中文。 - 结构清晰。 - 提供官方网站信息。 - 生成相关问题。 - 添加引用标识。 步骤: 1. 直接回答问题:提供LangChain官方网站的网址。 2. 解释相关资源:如文档、GitHub等。 3. 基于引用,自然地添加引用标识。 4. 生成相关问题。 回答结构: - 开头直接回答。 - 逐步解释。 - 结束时生成相关问题。 引用:在回答中引用相关部分。例如,提到文档网址时,引用[^3]。 LangChain官方网站: - 主网站:https://www.langchain.com/(但似乎重定向到https://python.langchain.com/) - 文档:https://python.langchain.com/ - GitHub:https://github.com/langchain-ai/langchain 用户可能指的是文档网站,所以我会提供https://python.langchain.com/。 从引用[^3]:"LangChain Documentation: https://python.langchain.com/",所以我可以引用这个。 生成相关问题: - 基于主题,如如何使用LangChain、资源等。 - 例如: 1. 如何安装LangChain? 2. LangChain有哪些核心功能? 3. 如何获取LangChain的示例代码? 确保回答真实可靠:提供正确的网址。 最终回答: - 用中文。 - 清晰结构。 - 添加引用。 - 生成相关问题。</think>### LangChain官方网站信息 LangChain是一个用于构建大型语言模型(LLM)应用的框架,其官方文档网站是获取资源的主要入口。以下是逐步说明: 1. **官方网站地址**: LangChain的官方文档网站是 [https://python.langchain.com/](https://python.langchain.com/)。这是最权威的资源,包含安装指南、API文档、教程和示例代码。您可以直接访问该网站,获取最新信息[^3]。 2. **相关资源**: - **GitHub仓库**:LangChain的开源代码托管在 [https://github.com/langchain-ai/langchain](https://github.com/langchain-ai/langchain),您可以在这里查看源码、报告问题或贡献代码[^4]。 - **其他参考资料**:如果您需要处理JSON数据,LangChain提供了`JSONLoader`工具,建议参考jq手册优化数据处理[^2]。对于LLM集成,如Baichuan LLM,LangChain文档提供了详细指南[^3]。 3. **访问建议**: - 直接打开 [https://python.langchain.com/](https://python.langchain.com/) 浏览文档。 - 如果遇到网络问题,可以查看其GitHub仓库的README文件获取快速入门信息。 - 确保使用最新版本,以避免兼容性问题。 LangChain的文档结构清晰,覆盖了从基础概念到高级代理(agent)的实现,例如使用LLM作为推理引擎构建搜索代理[^4]。如果您需要处理PDF等大文件,LangChain还支持文档分块功能,以解决LLM上下文窗口限制的问题[^5]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值