通过类比,十分钟掌握LangChain的快速入门
背景
快速入门的三部曲跟家里安装防盗门的步骤是类似的.
- 安装门
- 密码
- 测试一下
对应到解决方案领域的快速入门的三部曲是什么?
- 安装 : Install
- 环境设置: Env
- 写DEMO: Demo
那对应到LangChain的快速入门上是什么呢?
前两个步骤没差异, 关键是写DEMO上.
了解本文详细内容前, 建议先看这篇通过类比, 十分钟快速掌握LangChain的架构, 了解了基本的架构内容后, 回头再写DEMO, 会快很多.
今日的DEMO也主要是从Model I/O的 提示模板 以及额外的LangChain表达式入手.
DEMO包含以下内容:
- o 使用LangChain进行设置
- o 使用LangChain最基本和最常用的组件: 提示模板、模型和输出解析器
- o 使用LangChain表达式语言(LECL)，这是LangChain构建的协议，有助于组件链接
Step1: 安装: Install
要安装LangChain，请运行:
Pip/Conda 二选一即可
- o Pip 方式
pip install langchain - o Conda
conda install langchain -c conda-forge 官方详细安装指南[2]
Step2: 环境设置
使用LangChain通常需要与一个或多个模型提供者、数据存储、API等进行集成。本示例将使用OpenAI的模型API。
首先，我们需要安装他们的Python包：
pip install openai 访问API需要一个API密钥，你可以通过创建一个帐户并前往这里[3]来获取。当我们获得了一个密钥之后，我们需要通过运行以下命令将其设置为环境变量：
export OPENAI\_API\_KEY="..." 如果你不想设置环境变量，你可以在初始化OpenAI LLM类时直接通过openai_api_key命名参数传递密钥：
from langchain.llms import OpenAI
llm = OpenAI(openai\_api\_key="...")
构建应用程序
LangChain提供了许多可以用来构建语言模型应用程序的模块。这些模块可以作为简单应用程序中的独立模块使用，也可以组合在一起用于更复杂的用例。
LangChain应用程序的核心构建模块是LLMChain。它结合了三个方面:
- o LLM/ChatModel (大语言模型/聊天模型): 语言模型是核心推理引擎。要使用LangChain，您需要了解不同类型的语言模型以及如何使用它们。
- o Prompt Templates: 提供语言模型的指令。这控制了语言模型的输出，因此了解如何构建提示和不同的提示策略至关重要。
- o Output Parsers: 将LLM的原始响应转换为更易处理的格式，使得在下游使用输出变得容易。
在本入门中，我们将逐个介绍这三个组件，然后介绍将它们组合在一起的LLMChain。了解这些概念将使您能够很好地使用和定制LangChain应用程序。大多数LangChain应用程序允许您配置LLM和/或使用的提示，因此了解如何利用这一点将是一个很好的帮助。
LLM/ChatModel (大语言模型/聊天模型)
LangChain中有两种类型的语言模型，称为:
- o LLM: 这是一个以字符串作为输入并返回字符串的语言模型
- o ChatModels: 这是一个以消息列表作为输入并返回消息的语言模型
LLM的输入/输出简单易懂 - 都是字符串。但是ChatModels呢？这里的***输入是一个Message列表，输出是一个单独的Message***。
什么是Message? 基础的Message的接口的定义是BaseMessage. 他有两个必需的属性:
- o content: 消息的内容。
- o role: BaseMessage 的消息的角色。
LangChain提供了几个对象，用于方便地区分不同的角色:
- o HumanMessage: 来自人类/用户的BaseMessage 。
- o AIMessage: 来自AI/助手的BaseMessage 。
- o SystemMessage: 来自系统的BaseMessage 。
- o FunctionMessage/ToolMessage : 来自函数调用的BaseMessage 。
如果这些角色都不合适，还可以使用ChatMessage类手动指定角色。LangChain为两者提供了一个标准接口 .invoke()，所有LangChain表达式语言 (LCEL) 对象的通用同步调用方法:
- o LLM.invoke: 接受一个字符串，返回一个字符串
- o ChatModel.invoke: 接受一个BaseMessage 列表，返回一个BaseMessage。
让我们看看如何使用这些不同类型的模型和不同类型的输入。首先，让我们导入LLM和ChatModel。
from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage
llm = OpenAI()
chat_model = ChatOpenAI()
text = "What would be a good company name for a company that makes colorful socks?"
messages = [HumanMessage(content=text)]
llm.invoke(text)
# >> Feetful of Fun
chat_model.invoke(messages)
# >> AIMessage(content="Socks O'Color")
OpenAI和ChatOpenAI对象基本上只是配置对象。您可以使用诸如temperature等参数对其进行初始化，并将其传递给其他对象。
Prompt template(提示模板)
大多数LLM应用程序不会直接将用户输入传递到LLM中。通常，它们会将用户输入添加到一个更大的文本片段中，称为提示模板，该模板提供了有关特定任务的附加上下文。
在前面的示例中，我们传递给模型的文本包含了生成公司名称的指令。对于我们的应用程序，如果用户只需提供公司/产品的描述而无需担心给出模型指令，那将非常好。
PromptTemplates正是为此而设计的！它们将用户输入转化为完全格式化的提示的所有逻辑绑定在一起。这可以从非常简单的开始 - 例如，产生上述字符串的提示只需是
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")
What is a good name for a company that makes colorful socks?
然而，使用这些而不是原始字符串格式化的优势有几个。您可以“部分”出变量 - 例如，您可以一次只格式化某些变量。您可以将它们组合在一起，轻松地将不同的模板组合成一个单独的提示。有关这些功能的说明，请参阅提示部分[4]以获取更多详细信息。
PromptTemplates还可以用于生成消息列表。在这种情况下，提示不仅包含有关内容的信息，还包含每个消息（其角色、其在列表中的位置等） 在这里，最常见的是ChatPromptTemplate是ChatMessageTemplate的列表。每个ChatMessageTemplate包含了格式化该ChatMessage的指令 - 其角色，以及其内容。让我们在下面看一下这个:
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.")
[
SystemMessage(content="You are a helpful assistant that translates English to French.", additional\_kwargs={}),
HumanMessage(content="I love programming.")
]
除了ChatMessageTemplate之外，ChatPromptTemplates还可以包括其他内容 - 有关更多详细信息，请参阅提示部分[5]。
Output parser(输出解析器)
OutputParsers将LLM的原始输出转换为可以在下游使用的格式。输出解析器有几种主要类型，包括:
- o 将LLM的文本转换为结构化信息（例如JSON）
- o 将ChatMessage转换为字符串
- o 将除消息之外的其他信息（如OpenAI函数调用）转换为字符串。
有关此方面的详细信息，请参阅输出解析器部分[6]
在本入门指南中，我们将编写自己的输出解析器 - 将逗号分隔的列表转换为列表。
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")
# >> ['hi', 'bye']
用LECL进行链式调用(Composing with LCEL)
现在，我们可以将所有这些组合成一个链组件(LangChain的命名中, Chain的由来)。这个链组件将接收输入变量，将其传递给提示模板以创建提示，将提示传递给LLM，然后通过一个（可选的）输出解析器将输出传递出去。这是一种方便地将模块化逻辑捆绑在一起的方式。让我们看看它的作用！
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("colors")
# >> ['red', 'blue', 'green', 'yellow', 'orange']
参考资料
LangChain 中文文档 v0.0.291[7]
LangChain Introduction[8]
One More Thing
如果喜欢或者支持作者持续创作, 欢迎一键三连
引用链接
[2] 官方详细安装指南: https://python.langchain.com/docs/get_started/installation
[3] 这里: https://platform.openai.com/account/api-keys
[4] 提示部分: https://python.langchain.com/docs/modules/model_io/prompts
[5] 提示部分: https://python.langchain.com/docs/modules/model_io/prompts
[6] 输出解析器部分: https://python.langchain.com/docs/modules/model_io/output_parsers
[7] LangChain 中文文档 v0.0.291: https://python.langchain.com.cn/docs/
[8] LangChain Introduction: https://python.langchain.com/docs/get_started/introduction