sinat_35438568的博客

由于当Chain使用Memory​模块时，就无法使用LCEL管道符，所以LangChain另外提供了一个工具类RunnableWithMessageHistory​，让Chain可以支持History能力。同时在调用Chain的时候，需要额外传入config​对象。要使用这个工具类，需要以如下方式创建Histroy对象，

【代码】基于ConversationChain实现带记忆的对话应用。

目前，国内大模型基本上都还不支持类似openai的自定义函数绑定，即：llm.bindtools方法，也就无法实现自定义ReAct Agent，如果要使用国内大模型，需要考虑自己实现。本文基于国内的阿里通义千问，实现了类似OpenAI 的ReAct Agent效果。以下是开启调试结果后，每次大模型的推理、行动输出。

注意事项：大模型生成的工具入参arguments结构可能会不稳定，导致出错。需要通过提示词去强化。比如代码中，我强化了“"arguments"键对应的值应该是所选函数的输入,必须是dict格式”这句提示词，之后就稳定了。我们更需要一个能够根据用户提示词，自动选择对应工具的大模型，而不是在一个链里一次只能使用一个工具。这里用代码实现了，在langchian中如何从多个可选工具中，动态的使用工具。

【代码】基于聚合数据API实现出行顾问。

【代码】基于LCEL实现大模型编写SQL并查询数据库。

【代码】基于LCEL实现自动编写并执行Python代码。

【代码】用create_stuff_documents_chain构建一个完整的知识问答模型。

管道符号“|”的含义是“或者”，Python解析器在解析时a | b语句时，如果发现两个对象之间存在“|”符号，会先尝试让对象b调用a的__or__方法。所以a | b 等价于 a.__or__(b)。LangChain通过实现Runable类并重写__or__方法内容，来实现LCEL语法。以下用一段代码来实现原理。

大多数大语言模型有对话界面，而对话中一个至关重要的功能就是引用之前在对话中介绍过的信息。通常一个对话系统应该能够直接访问一定窗口范围内的历史消息。而在更复杂的系统中，需要具备一个不断更新的世界模型，以便维护有关实体及其关系的信息。以下用一段代码来实现LangChain来实现一个对话系统，该对话系统实现了记忆能力。

大语言模型输出的一般是文本格式，但是很多时候，我们可能需要大模型按照我们要求的格式进行格式化输出，比如输出XML、JSON、逗号分隔符的列表等，OutputParser可以帮助我们获取结构化的信息。

如果大模型只用来做聊天机器人场景是比较简单的，但是如果要让当前的大模型去完成一个复杂的任务，目前的大模型能力是无法达到的。LangChain提出了链（Chain）这个概念，即把所有的组件，包括大模型在内，串成一个链，通过这个链去完成比较复杂的任务。

聊天模型是大语言模型（LLM）的一种封装。聊天模型不再局限于提供一个“文本输入，文本输出”的API能力，而是提供一个以“聊天消息”作为输入和输出的接口。通过向聊天模型传递一个或多个消息，可以获取聊天完成的结果，响应也是一个消息。目前Langchain支持的消息类型有AIMessage、HumanMessage、SystemMessage和ChatMessage，其中ChatMessage可以接受一个Role参数，传递任意角色。

大语言模型以文本作为输入，这段文本被成为提示词（Prompt）。大部分时候，我们和大模型交互，是需要多次、重复的让大模型去完成类似的任务，所以提示词大部分时候是内容相似的、结构是一致的，只是少部分需要修改。那么这个时候，模板就非常有用。

import osdef search_file(path,file_path_list): files = os.listdir(path) for file in files: file_path = os.path.join(path,file) #如果是文件夹，递归调用 if os.path.isdir(file_pat...