通过类比,十分钟掌握LangChain的快速入门-优快云博客

本文链接：https://blog.youkuaiyun.com/python12222_/article/details/145283218

背景

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. 设密码
\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, 建议先看这篇通过类比, 十分钟快速掌握LangChain的架构[1], 了解了基本的架构内容后, 回头再写DEMO, 会快很多.

在这里插入图片描述

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

Step1: 安装: Install

要安装LangChain，请运行:

Pip/Conda 二选一即可

• Pip 方式

 pip install langchain

• Conda

 conda install langchain -c conda-forge

官方详细安装指南[2]

Step2: 环境设置

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：

pip install openai

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：

export OPENAI\_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：

from langchain.llms import OpenAI  
  
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。

LLM/ChatModel (大语言模型/聊天模型)

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。

from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage

llm = OpenAI()
chat_model = ChatOpenAI()

text = "What would be a good company name for a company that makes colorful socks?"
messages = [HumanMessage(content=text)]

llm.invoke(text)
# >> Feetful of Fun

chat_model.invoke(messages)
# >> AIMessage(content="Socks O'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。

Prompt template(提示模板)

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

from langchain.prompts import PromptTemplate  
  
prompt = PromptTemplate.from\_template("What is a good name for a company that makes {product}?")  
prompt.format(product="colorful socks")

What is a good name for a company that makes colorful socks?

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:

from langchain.prompts.chat import (  
 ChatPromptTemplate,  
 SystemMessagePromptTemplate,  
 HumanMessagePromptTemplate,  
)  
  
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])  
  
chat\_prompt.format\_messages(input\_language="English", output\_language="French", text="I love programming.")

[  
 SystemMessage(content="You are a helpful assistant that translates English to French.", additional\_kwargs={}),  
 HumanMessage(content="I love programming.")  
]

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]。

Output parser(输出解析器)

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。

from langchain.schema import BaseOutputParser  
  
class CommaSeparatedListOutputParser(BaseOutputParser):  
 """Parse the output of an LLM call to a comma-separated list."""  
  
 def parse(self, text: str):  
 """Parse the output of an LLM call."""  
 return text.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！

from langchain.chat\_models import ChatOpenAI  
from langchain.prompts.chat import (  
 ChatPromptTemplate,  
 SystemMessagePromptTemplate,  
 HumanMessagePromptTemplate,  
)  
from langchain.chains import LLMChain  
from langchain.schema import BaseOutputParser  
  
class CommaSeparatedListOutputParser(BaseOutputParser):  
 """Parse the output of an LLM call to a comma-separated list."""  
  
  
 def parse(self, text: str):  
 """Parse the output of an LLM call."""  
 return text.strip().split(", ")  
  
template = """You are a helpful assistant who generates comma separated lists.  
A user will pass in a category, and you should generate 5 objects in that category in a comma separated list.  
ONLY return a comma separated list, and nothing more."""  
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']