LangChain基本介绍！

LangChain是一个开源的Python AI应用开发框架，它提供了构建基于大模型的AI应用所需的模块和工具。

通过LangChain，开发者可以轻松地与大模型（LLM）集成，完成文本生成、问答、翻译、对话等任务。

LangChain降低了AI应用开发的门槛，让任何人都可以基于LLM构建属于自己的创意应用。

快速入门：https://www.alang.ai/langchain/101/

参考教程：https://liaokong.gitbook.io/llm-kai-fa-jiao-cheng

发展版本：https://github.com/langchain-ai/langchain/releases

官方文档：https://python.langchain.com/v0.2/docs/how_to/

中文教程：https://python.langchain.com.cn/docs/

常用案例：https://python.langchain.com.cn/docs/use_cases

LangChain特性

LLM和提示（Prompt）：

LangChain对所有LLM大模型进行了API抽象，统一了大模型访问API，同时提供了Prompt提示模板管理机制。

链（Chain）:

LangChain对一些常见的场景封装了一些现成的模块。

例如：基于上下文信息的问答系统，自然语言生成SQL查询等等。

  • 因为实现这些任务的过程就像工作流一样，一步一步的执行，所以叫链（Chain）。

LCEL：

LangChain Expression Language(LCEL)，LangChain新版本的核心特性，用于解决工作流编排问题。

通过LCEL表达式，我们可以灵活的自定义AI任务处理流程，也就是灵活自定义链（Chain）。

数据增强生成（RAG）：

因为大模型（LLM）不了解新的信息，无法回答新的问题，所以可以将新的信息导入到LLM，用于增强LLM生成内容的质量。

这种模式叫做RAG（Retrieval Augmented Generation）。

Agents：

是一种基于大模型（LLM）的应用设计模式，利用LLM的自然语言理解和推理能力（LLM作为大脑）。

  • 根据用于的需求自动调用外部系统、设备共同去完成任务。

例如：用户输入明天请假一天，大模型（LLM）自动调用请假系统，发起一个请假申请。

模型记忆（Memory）:

让大模型记住之前的对话内容，这种能力成为模型记忆（Memory）。

LangChain任务处理流程

LangChain提供一套提示词模板管理工具，负责处理提示词，然后传递给大模型处理，最后处理大模型返回的结果。

LangChan对大模型的封装主要包括 LLM 和 Chat Model 两张类型：

  • LLM：问答模型，模型接收一个文本输入，然后返回一个文本结果。
  • Chat Model：对话模型，接受一组对话消息，然后返回对话消息，类似聊天一样。

安装LangChain

1
2
pip install langchain
pip install langchain-openai

使用LLM

使用LLM来回答问题非常简单，可以直接调用LLM的invoke方法，并传入问题作为参数。

此外，还可以通过提示词模板（Prompt Template）生成提示词，用于向模型（LLM）发送指令。

下面演示了如何构建一个简单的LLM链。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# 引入langchain聊天专用提示词模板
from langchain_core.prompts import ChatPromptTemplate

# 引入langchain openai sdk
from langchain_openai import ChatOpenAI

# 如果是官方URL,使用以下即可
llm = ChatOpenAI()

# 根据message 定义提示词模板
# 这里以对话模型的消息格式为例子，不熟悉openai对话模型的话，可以参考官方文档
# 下面消息模板，定义两条消息，system消息告诉模型扮演什么角色，user消息代表用户输入的问题
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级的技术专家"),
    ("user", "{input}")
])

# 通过langchain的链式调用，生成一个chain
# 基于LCEL表达式构建LLM链，lcel语法类似linux的pipeline语法，从左到右顺序执行
# 下面编排了一个简单的工作流，首先执行prompt完成提示词模板（prompt template）格式化处理，然后将格式化后的结果传递给llm模型
chain = prompt | llm

result = chain.invoke({"input": "帮我写一篇关于AI的技术文章，100字"})
print(result)

输出转换

LLM的输出通常是一条信息，为了更方便处理结果，可以将消息转换为字符串。

下面展示如何将LLM的输出消息转换为字符串。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# 字符串输出解析器
from langchain_core.output_parsers import StrOutputParser
# 引入langchain聊天专用提示词模板
from langchain_core.prompts import ChatPromptTemplate

# 引入langchain openai sdk
from langchain_openai import ChatOpenAI

llm = ChatOpenAI()

# 根据message 定义提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级的技术专家"),
    ("user", "{input}")
])

# 创建一个字符串输出解析器
out_parse = StrOutputParser()

# 将输出解析器添加到LLM链中，跟前面的例子区别就是工作流编排，最后一步将LLM模型输出的结果传递给out_parse
chain = prompt | llm | out_parse

result = chain.invoke({"input": "帮我写一篇关于AI的技术文章，100字"})
print(result)