目录
前言
一、概述
二、功能特性
三、REST API 开发
四、Postman调用测试
五、Client调用测试
总结
前言
随着AI大语言模型（LLM）的技术的不断演进，AI应用的开发和部署变得越来越复杂。在这样的背景下，LangServe应运而生——一个旨在简化AI服务部署和运维的框架。专为大模语言模型（LLM）的部署和管理而设计；本篇旨在讲解LangServe的功能特点和实践运用。
一、概述
LangServe 则提供了一整套将LLM部署成产品服务的解决方案。它可以将 LLM应用链接入到常见的Python的 Web框架（比如：FastAPI、Pydantic、uvloop、asyncio），进而生成一套RESTful API； 减少了开发人员运维部署的任务，可以更专注于LLM应用开发；不仅简化了从开发到生产的过渡，还确保了服务的高性能和安全性；提供了包括模型管理器、请求处理器、推理引擎、结果缓存、监控与日志记录以及API网关各类组件；降低了技术门槛、加速了AI应用的上架，LangServe的目标是让开发者能够轻松集成、部署和管理AI模型。开发者可以“从零到一”无缝地实现 LLM 应用从原型到产品的过渡。
二、功能特性
LangServe的功能集是为满足现代AI服务的需求而设计的。以下是一些关键特性：
1.多个模型支持：
LangServe支持部署多种类型的AI模型，包括文本生成、图像识别、语音处理等，开发人员能够按需切换。
2.高效推理缓存：
为了提高响应速度和节省计算资源，LangServe包含了一个高效的结果缓存系统，它可以智能地存储和管理热点数据。
3.安全访问控制：
通过角色和策略的管理，LangServe提供了灵活的访问控制机制，确保了服务的安全性和数据的隐私性。
4.实时监控与日志
内置的监控系统可以实时跟踪服务的运行状态，而详尽的日志记录则有助于问题的调试和分析。
5.API接口简单易用
LangServe的API设计简洁直观，易于理解和使用，大大减少了开发者的学习成本
三、REST API 开发
1.环境准备：
安装依赖：pip install "langserve[all]" （包含了服务端和客户端的安装）
环境变量：OPENAI_API_KEY=<your valid openai api key>
2.代码开发：
以下代码样例中，将开发一个最简单的translator翻译接口（除了LangServe之外，代码中还引入了web框架FastAPI和web服务器uvicorn）
创建一个app.py
from fastapi import FastAPI
from langchain.prompts.chat import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)
from langchain_openai import ChatOpenAI
from langserve import add_routes
##FastAPI是一个基于Python的Web框架，用于构建高性能、可扩展的API。它提供了一种简单、直观的方式来定义API端点，以及处理HTTP请求和响应。
app = FastAPI(
title="LangChain Server",
version="1.0",
description="A simple api server using Langchain's Runnable interfaces",
)
# 接口1
add_routes(
app,
ChatOpenAI(),
path="/openai",
)
## 接口2
system_message_prompt = SystemMessagePromptTemplate.from_template("""
You are a helpful assistant that translates {input_language} to {output_language}.
""")
human_message_prompt = HumanMessagePromptTemplate.from_template("{text}")
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
add_routes(
app,
chat_prompt | ChatOpenAI(),
path="/translate",
)
if __name__ == "__main__":
import uvicorn
## Python的web服务器
uvicorn.run(app, host="localhost", port=9999)3.启动运行
python app.py
四、Postman调用测试
备注：通常情况下可以直接访问http://localhost:9999/docs，在浏览器在线的接口文档中找到对应的接口，直接在网页上测试即可；目前新的pydantic 版本存在兼容性问题，无法生成OpenAPI文档，因此暂时先采用Postman进行接口测试。
五、Client调用测试
直接在后台开发langserve 的客户端，进行远程调用REST API
from langchain.prompts.chat import ChatPromptTemplate
from langserve import RemoteRunnable
#配置远程接口
openai_llm = RemoteRunnable("http://localhost:9999/openai/")
#创建提示词
prompt = ChatPromptTemplate.from_messages(
[
(
"system",
"你是一名资深的AI大模型专家",
),
("human", "请帮忙讲解一下，有哪些常用的通用开源大模型，中外各自罗列5个"),
]
).format_messages()
#LLM 接口调用
openai_llm.invoke(prompt)
#输出：
AIMessage(content='当谈论通用开源大模型时，常常会提到自然语言处理（NLP）领域中的预训练模型。以下是中外各自常用的5个通用开源大模型：
**国外：**
1. BERT（Bidirectional Encoder Representations from Transformers）：由Google开发，是一种基于Transformer架构的预训练模型，用于各种NLP任务。
2. GPT-3（Generative Pre-trained Transformer 3）：由OpenAI发布，是一个非常大的语言生成模型，可以用于文本生成等任务。
3. RoBERTa（A Robustly Optimized BERT Approach）：由Facebook发布的预训练模型，基于BERT进行了一些优化，用于提高性能。
4. T5（Text-to-Text Transfer Transformer）：由Google发布，是一个通用的文本生成模型，可以应用于多种NLP任务。
5. XLNet：由谷歌Brain团队发布，是一种自回归预训练模型，结合Transformer-XL和自回归方法。
**国内：**
1. ERNIE（Enhanced Representation through kNowledge Integration）：由百度发布，是一种基于Transformer架构的多语言预训练模型，融合了知识融合的方法。
2. GPT-2（Generative Pre-trained Transformer 2）：由哈工大讯飞联合实验室发布，是一个类似于GPT-3的语言生成模型，用于文本生成等任务。
3. HFL/THU Bert：由清华大学自然语言处理与社会人文计算实验室发布，是一个BERT的中文预训练模型，适用于中文NLP任务。
4. RoFormer：由华为发布，是一种优化的中文预训练模型，用于中文NLP任务。
5. PaddleNLP：由百度发布，是一个NLP模型库，提供了多种预训练模型，包括BERT、ERNIE等，适用于各种NLP任务。
以上列举的是一些常用的通用开源大模型，它们在各自领域都有着广泛的应用和影响。', response_metadata={'token_usage': {'completion_tokens': 590, 'prompt_tokens': 61, 'total_tokens': 651}, 'model_name': 'gpt-3.5-turbo', 'system_fingerprint': 'fp_b28b39ffa8', 'finish_reason': 'stop', 'logprobs': None})
总结
LangServe作为一款专注于AI模型部署和运维的平台，通过其精心设计的架构和丰富的功能集合，显著降低了AI项目的门槛，提升了开发效率和服务稳定性。无论是初创公司还是大型企业，LangServe都提供了一个可靠的解决方案，以应对AI领域中的挑战和机遇。随着AI技术的不断进步，LangServe将继续在AI服务的革新和发展中扮演关键角色。
探索未知，分享所知；点击关注，码路同行，寻道人生！
