【LangChain系列 1】 LangChain初探

原文链接：【LangChain系列 1】LangChain初探https://mp.weixin.qq.com/s/9UpbM84LlsHOaMS7cbRfeQ

本文速读：

LangChain是什么
LangChain初探
- 环境准备
- LLMs
- Prompt Templates
- Output Parser
- 第一个LLMChain应用

01 LangChain是什么

LangChain是一个大语言模型的应用开发框架，在LangChain在基础上，我们可以快速开发AI应用。

02 LangChain初探

环境准备

openai api key

注册一个openai开发者帐号，然后可以生成key，获取key来调用open ai的接口，调用接口会消耗费用，帐号中有免费的5美金可以使用。

python开发环境

可以使用conda，也可以直接使用python 3，我使用的是python 3.8.9版本。

安装openai和langchain

pip install openaipip install langchain

LLMs

LangChain中有LLMs和ChatModels两种语言模型：

LLMs：输入一个字符串，然后返回一个字符串。
ChatModels：输入一连串Message，比如说一连串对话，以此为上下评文，然后输入一条Message。

两者的区别是：LLMs偏向于问与答，ChatModel更偏向于对话的场景。

Message包含content和role两个部分，LangChain根据role在不同分为四种Message：

HumanMessage：代表人类/用户的message。
AIMessage：代表AI的message。
SystemMessage：代表系统的message。
FunctionMessage：代表函数调用的message。

下面我们看一个简单的例子怎么使用LLMs和ChatModels。

1. 输入一个字符串

from langchain.llms import OpenAIfrom langchain.chat_models import ChatOpenAI

text = "What would be a good company name for a company that makes colorful socks?"

llm = OpenAI()chat_model = ChatOpenAI()
llm.predict(text)
chat_model.predict(text)

2. 输入一个Message

from langchain.llms import OpenAIfrom langchain.chat_models import ChatOpenAI

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

llm = OpenAI()
chat_model = ChatOpenAI()

llm.predict_messages(messages)
chat_model.predict_messages(messages)

Prompt Templates

一般来讲，我们不会将用户的输入或者问题直接传递给LLM应用，而是将它放到一个固定的上下文中，方便LLM应用理解提出的问题，从而给出更准确的回答，这段上下文就是我们所说在prompt templates。

例如：

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")

prompt templates的作用就是把product这个变量抽离出来，我们可以根据需要赋予它不同的值，这样就更加灵活。

prompt templates除了可以用于字符串，它还可以用于Message，例如：

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.")

上述chat_prompt相当于：

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

Output Parser

output parser的作用就是将LLMs的输出进行解析处理，最终返回给我们需要的格式，例如：

将文本转换为json
将Message转换为字符串
将其它信息转换为字符串

下面这个例子就是将LLM返回的一个字符串转换为以逗号为分隔的列表。

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")

第一个LangChain应用

介绍完LangChain应用所需要的最基础的组件后，我们可以开启Hello World之旅了，开始写第一个最简单的LangChain应用。

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("fruits")

以上就是本篇的全部内容，我们下一篇再见。

更多最新文章尽在公众号：大白爱爬山