在本快速入门中，我们将向您展示如何构建一个简单的LLM应用程序。该应用程序将文本从英语翻译成另一种语言。这是一个相对简单的LLM应用程序——它只是一个LLM调用加上一些提示。尽管如此，这仍然是开始使用LangChain的好方法——只需一些提示和一个LLM调用，就可以构建许多功能！

概念

我们将涵盖的概念是：

• 使用语言模型
• 使用PromptTemplates和OutputParsers
• 使用LangChain链接PromptTemplate + LLM + OutputParser
• 使用LangSmith调试和跟踪您的应用程序
• 使用LangServe部署您的应用程序

这是一些需要涵盖的内容！让我们开始吧。

目标

在本文档中，我们将构建一个应用程序，实现：利用大语言模型，将用户输入从一种语言翻译成另一种语言。

环境设置

Jupyter Notebook

本指南（以及留档中的大多数其他指南）使用 Jupyter 笔记本 。Jupyter笔记本非常适合学习如何使用LLM系统，因为经常会出错（意外输出、API关闭等），在交互式环境中浏览指南是更好地理解它们的好方法。

安装 LangChain

要安装LangChain，请运行：

pip install langchain

有关更多详细信息，请参阅我们的安装指南。

LangSmith

我们使用 LangChain 构建的许多应用程序都包含多个步骤和多次调用LLM调用。随着这些应用程序变得越来越复杂，能够检查链或代理内部发生的情况变得至关重要。最好的方法是使用 LangSmith。

注册 LangSmith

LangSmith 在链接上注册后，请确保设置您的环境变量以开始记录跟踪：

export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_API_KEY="..."

或者，如果在笔记本中，您可以使用以下方式设置它们：

import getpass
import os

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = getpass.getpass()

创建API密钥

要创建 设置页面 的API密钥头。然后单击创建API密钥。

安装 LangSmith 依赖

pip install -U langsmith

至此，我们的初步准备工作已完成。

LangServe

LangServe 帮助开发者部署 LangChain 可运行文件和链作为 REST API。

安装 LangServe

安装客户端和服务器：

pip install "langserve[all]"

或者只安装客户端：

pip install "langserve[client]"

只安装服务器

pip install "langserve[server]"

先介绍到这，下面会讲解如何部署和调用我们的 LangChain 程序。

选择大语言模型

首先，让我们学习如何单独使用语言模型。LangChain 支持许多不同的语言模型，您可以选择想要使用的模型！

选择 openai

pip install -qU langchain-openai

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()

from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4")

选择 gemini

pip install -qU langchain-google-vertexai

import getpass
import os

os.environ["GOOGLE_API_KEY"] = getpass.getpass()

from langchain_google_vertexai import ChatVertexAI

model = ChatVertexAI(model="gemini-pro")

选择通义千问

如何拿到阿里云灵积模型服务的 apikey ？

链接：阿里云开发者社区-云计算社区-阿里云 (aliyun.com)

1. 登录或者注册：点击右上角进行注册账号，有账号的可以直接登录

2. 搜索灵积模型服务,开通服务

3. 进入产品控制台,创建api-key，api-key要好好保存,如果不慎遗失了,可以在查看这个key

4. 设置 API-KEY

   export DASHSCOPE_API_KEY="你的apikey"

然后让我们直接使用模型。ChatModel 是 LangChain“Runnables”的实例，这意味着它们公开了一个与它们交互的标准接口。要简单地调用模型，我们可以将消息列表传递给 .invoke 方法。

from langchain_community.llms import Tongyi
from langchain_core.messages import HumanMessage, SystemMessage

# 使用 Tongyi LLM，并设置温度为 1，代表模型会更加随机，但也会更加不确定
llm = Tongyi(temperature=1)

# 创建一个系统消息，并将它添加到消息列表中
# 系统消息用于指定模型应该如何理解用户输入
messages = [
    SystemMessage(content="将以下内容从英文翻译成中文:"),
    HumanMessage(content="hi!"),
]

# 运行
result = llm.invoke(messages)

# 打印结果
print(result)

API参考：HumanMessage | SystemMessage

输出打印结果：

如果我们启用了LangSmith，我们可以看到此运行已记录到 LangSmith，并可以查看LangSmith的跟踪。 运行记录

OutputParsers

请注意，来自模型的响应是一个 AIMessage 。这包含一个字符串响应以及关于响应的其他元数据。通常我们可能只想使用字符串响应。我们可以使用简单的输出解析器解析出这个响应。

我们首先导入简单的输出解析器。

from langchain_core.output_parsers import StrOutputParser

parser = StrOutputParser()

API参考：StrOutputParser

使用它的一种方法是单独使用它。例如，我们可以保存语言模型调用的结果，然后将其传递给解析器。

result = model.invoke(messages)
parser.invoke(result)

完整代码：

from langchain_community.llms import Tongyi
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser


# 使用 Tongyi LLM，并设置温度为 1，代表模型会更加随机，但也会更加不确定
llm = Tongyi(temperature=1)

# 创建一个系统消息，并将它添加到消息列表中
# 系统消息用于指定模型应该如何理解用户输入
messages = [
    SystemMessage(content="将以下内容从英文翻译成中文:"),
    HumanMessage(content="hi!"),
]

# 创建一个输出解析器，用于解析模型输出的文本
parser = StrOutputParser()

# 运行
result = llm.invoke(messages)

# 使用输出解析器解析模型输出的文本
parserResult = parser.invoke(result)

# 打印结果
print(parserResult)

LangSmith 跟踪记录：

创建链运行

更常见的是，我们可以用这个输出解析器“链接”模型。这意味着在这个链中每次都会调用这个输出解析器。这个链接受语言模型的输入类型（字符串或消息列表），并返回输出解析器的输出类型（字符串）。

我们可以使用 | 运算符轻松创建链。| 运算符在 LangChain 中用于将两个元素组合在一起。

chain = model | parser
chain.invoke(messages)

完整代码：

from langchain_community.llms import Tongyi
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser

# 使用 Tongyi LLM，并设置温度为 1，代表模型会更加随机，但也会更加不确定
llm = Tongyi(temperature=1)

# 创建一个系统消息，并将它添加到消息列表中
# 系统消息用于指定模型应该如何理解用户输入
messages = [
    SystemMessage(content="将以下内容从英文翻译成中文:"),
    HumanMessage(content="hi!"),
]

# 创建一个输出解析器，用于解析模型输出的文本
parser = StrOutputParser()

# 将 LLM 和输出解析器连接起来，轻松创建链
chain = llm | parser

# 运行
result = chain.invoke(messages)

# 打印结果
print(result)

如果我们现在看看 LangSmith，我们可以看到链有两个步骤：首先调用语言模型，然后将结果传递给输出解析器。我们可以看到 LangSmith 跟踪记录。 RunnableSequence 日志 StrOutputParser 日志

Prompt Templates

现在我们正在将消息列表直接传递到语言模型中。这个消息列表来自哪里？

通常它是由用户输入和应用程序逻辑的组合构成的。这个应用程序逻辑通常接受原始用户输入，并将其转换为准备传递给语言模型的消息列表。常见的转换包括添加系统消息或使用用户输入格式化模板。

PromptTemplate 是 LangChain 中的一个概念，旨在帮助实现这种转换。它们接受原始用户输入并返回准备传递到语言模型的数据（提示）。

让我们在这里创建一个PromptTemplate。它将接受两个用户变量：

• language: 将文本翻译成的语言
• text: 要翻译的文本

from langchain_core.prompts import ChatPromptTemplate

API参考 : ChatPromptTemplate

首先，让我们创建一个字符串，我们将其格式化为系统消息：

system_template = "将以下内容翻译成{language}:"

接下来，我们可以创建 PromptTemplate。这是 system_template 以及一个更简单的模板，用于放置文本

prompt_template = ChatPromptTemplate.from_messages(
    [("system", system_template), ("user", "{text}")]
)

这个提示模板的输入是字典。我们可以自己玩这个提示模板，看看它自己做了什么

result = prompt_template.invoke({"language": "italian", "text": "hi"})

我们可以看到它返回一个 ChatPromptValue 由两条消息组成。如果我们想直接访问消息，我们会这样做：

result.to_messages()

我们现在可以将其与上面的模型和输出解析器结合起来。这将把所有三个组件链接在一起。

chain = prompt_template | model | parser
chain.invoke({"language": "italian", "text": "hi"})

完整代码：

from langchain_community.llms import Tongyi
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

# 使用 Tongyi LLM，并设置温度为 1，代表模型会更加随机，但也会更加不确定
llm = Tongyi(temperature=1)

system_template = "将以下内容从英文翻译成{language}:"
prompt_template = ChatPromptTemplate.from_messages(
    [("system", system_template), ("user", "{text}")]
)

# 创建一个输出解析器，用于解析模型输出的文本
parser = StrOutputParser()

# 将 LLM 和输出解析器连接起来，轻松创建链
chain = prompt_template | llm | parser

# 运行
result = chain.invoke({"language": "chinese", "text": "hi"})

# 打印结果
print(result)

如果我们查看 LangSmith 跟踪，我们可以看到所有三个组件都显示在 LangSmith 跟踪中。 运行日志

LangServe 部署示例

这是一个部署OpenAI聊天模型的服务器，实现文字翻译的应用。

#!/usr/bin/env python
from fastapi import FastAPI
from langchain.prompts import ChatPromptTemplate
from langchain.chat_models import ChatAnthropic, ChatOpenAI
from langserve import add_routes
from langchain_community.llms import Tongyi
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from fastapi.middleware.cors import CORSMiddleware

# 使用 Tongyi LLM，并设置温度为 1，代表模型会更加随机，但也会更加不确定
llm = Tongyi(temperature=1)

# 提示模版
system_template = "将以下内容从英文翻译成{language}:"
prompt_template = ChatPromptTemplate.from_messages(
    [("system", system_template), ("user", "{text}")]
)

# 创建一个输出解析器，用于解析模型输出的文本
parser = StrOutputParser()

# 创建应用
app = FastAPI(
    title="LangChain Server",
    version="1.0",
    description="使用 Langchain 的 Runnable 接口的简单 api 服务器",
)


# 设置所有启用 CORS 的源
app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
    expose_headers=["*"],
)

# 添加路由
add_routes(
    app,
    prompt_template | llm | parser,
    path="/trans",
)


if __name__ == "__main__":
    import uvicorn

    uvicorn.run(app, host="localhost", port=8000)

上面的 api 服务启动之后，可以使用 curl 调用，查看返回结果。

curl --location --request POST 'http://localhost:8000/trans/invoke' \
    --header 'Content-Type: application/json' \
    --data-raw '{
        "input": {
            "language": "chinese",
            "text": "hi"
        }
    }'

API 服务启动：

API 调用结果：

LangSmith 观察结果：运行日志

小结

在本教程中，我们已经完成了创建第一个简单的LLM应用程序。

我们已经学习了如何使用语言模型，如何解析它们的输出，如何创建提示模板，如何在您使用 LangSmith 创建的链中获得出色的可观察性，以及如何使用LangServe部署它们。

这只是触及了您想要学习成为一名熟练的AI工程师的表面。幸运的是——我们有很多其他资源！ 有关更深入的教程，请查看 官方教程 部分。

欢迎关注微信公众号【千练极客】，尽享更多干货文章！

本文由博客一文多发平台 OpenWrite 发布！