LangChain入门指南，轻松学习，助你游刃有余

一、前言

像OpenAI的GPT-4这样的大型语言模型（LLM）已经风靡全球。它们可以自动执行各种任务，如回答问题、翻译语言、分析文本等等。LLM是第一种真正让人感觉像是“人工智能”的机器学习类型。

然而，在实际产品中应用LLM仍存在挑战。特别是LLM管理，这是其中最棘手和繁琐的挑战之一。如果想要搭建由LLM驱动的应用程序，需要管理以下几个方面：

• 不同的LLM类型——OpenAI、Anthropic、开源等等。

• 模型版本——更新到最新版本。

• 提示版本——不断调整和改进提示。

• 模型链接——可能需要组合或链接多个LLM的输入和输出，以获得最终结果。

要独立完成所有这些工作需要付出大量努力。

这就是LangChain的用武之地！

二、介绍LangChain

【LangChain】：https://www.langchain.com/

LangChain使构建由LLM驱动的应用程序变得简单。它提供的工具极大简化了上述所有挑战。使用LangChain，可以轻松地在统一的界面中与不同的LLM类型进行交互，管理模型版本、管理提示版本，并连接LLM。所有这些功能都打包在一个易于使用的API（应用程序接口）中，因此可以在应用程序中快速利用LLM。

2.1 安装

开始使用LangChain非常简单。可以使用pip安装它，如下所示：

pip install langchain   

或者使用conda：

conda install langchain -c conda-forge   

最后，如果想要获取所有最新功能，可以直接从GitHub存储库构建该库。

【GitHub repo】：https://github.com/langchain-ai/langchain

2.2 设置

为了充分利用LangChain，需要将其与模型提供商和API等不同组件集成。可以为每个要连接的提供商设置环境变量。

例如，对于OpenAI，可以设置OpenAI API密钥：

export OPENAI_API_KEY="..."   

或者，在Python应用程序中开始使用LangChain后，可以在代码中设置变量：

from langchain.llms import OpenAI      llm = OpenAI(openai_api_key="...")   

三、LangChain的关键部分

LangChain的出色之处在于它非常灵活和模块化，这使得它可以将语言处理分解为不同的部分，让开发者可以创建自定义工作流程。以下是它的关键部分：

• 组件和链： 在语言处理中执行特定任务的模块。链将这些组件连接起来以创建自定义工作流程。

• 提示模板： 可重复使用的提示，可以更改特定值。例如，可以对询问用户姓名的提示进行个性化设置。

• 向量存储： 它们通过文档的数值意义来保存和搜索信息。

• 索引和检索器： 存储和查找有关模型训练数据的详细信息，以获得更好的响应。

• 输出解析器： 管理和优化模型的响应，使其更结构化。

• 示例选择器： 从模型的训练数据中选择正确的示例，提高响应的准确性。

• 代理： 具有特定任务的独特实例，如聊天机器人或移动应用程序。

四、在LangChain中构建基于LLM的应用程序

LangChain的LLM类可连接到不同的语言模型提供商，如OpenAI和Hugging Face。可以使用LangChain轻松构建一个应用程序，该应用程序接受提示并生成输出。

例如：

import os    from langchain.llms import OpenAI      llm = OpenAI(model_name="gpt-3.5-turbo",                 openai_api_key=os.environ["OPENAI_API_KEY"])      print(llm("Tell me a joke about pizza!"))   

这可能会输出如下结果：

Why did the pizza maker go to art school?      Because they wanted to get a "pizza" the creative action!   

如果想要切换模型，只需在代码中更改一些细节就可以了。

五、在LangChain中管理LLM的提示信息

LLM需要特定的提示信息才能产生正确的输出。LangChain中的PromptTemplate通过使用模板生成提示信息来提供帮助。用户可以在保持主要结构的同时轻松更改值。

例如：

from langchain.llms import OpenAI   from langchain import PromptTemplate   import os      USER_INPUT = "chocolate cake"      llm = OpenAI(model_name="gpt-3.5-turbo",                 openai_api_key=os.environ["OPENAI_API_KEY"])      template = """I'm interested in making {dish}. Can you provide me with a simple recipe for it, including the main ingredients and basic instructions?"""      prompt = PromptTemplate(input_variables=["dish"], template=template)      final_prompt = prompt.format(dish=USER_INPUT)      print(f"LLM Output: {llm(final_prompt)}")   

这样可以轻松管理所有的提示信息并处理动态输入。

六、将LLM和提示信息结合在多步骤工作流程中

在LangChain中的链接（Chaining）意味着将LLM与其他元素结合起来用于应用程序。你可以：

• 使用一个LLM的输出作为另一个LLM的输入。

• 将LLM与模板相结合。

• 将LLM与外部数据或聊天记录混合。

例如：

from langchain.llms import OpenAI   from langchain.chains import LLMChain, SimpleSequentialChain   from langchain import PromptTemplate   import os      llm = OpenAI(model_name="gpt-3.5-turbo",                 openai_api_key=os.environ["OPENAI_API_KEY"])      # 链中的第一步   template = "Can you provide a brief summary of the movie {movie_title}? Please keep it concise."      first_prompt = PromptTemplate(input_variables=["movie_title"],                                  template=template)      chain_one = LLMChain(llm=llm, prompt=first_prompt)      # 链中的第二步   second_prompt = PromptTemplate(input_variables=["actor"],                                   template="Can you list three movies featuring {actor}?")      chain_two = LLMChain(llm=llm, prompt=second_prompt)      # 将第一步和第二步链结合起来   overall_chain = SimpleSequentialChain(chains=[chain_one, chain_two], verbose=True)      final_answer = overall_chain.run("Inception")   

这个示例建立了一个两步骤的链，用于查找关于城市的旅游信息。

七、结论和了解更多

LangChain是一个使用LLM构建应用程序的Python框架。它可与各种模型连接，使得与LLM和提示信息管理有关的一切都变得简单。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！