要安装LangChain，请运行：
pip install langchain
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。在此示例中，我们将使用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，您可以通过创建账户并前往此处获取。获取密钥后，我们将通过运行以下命令将其设置为环境变量：
export OPENAI_API_KEY="您的API密钥"
如果您不想设置环境变量，您可以在初始化OpenAI LLM类时通过openai_api_key命名参数直接传递密钥：
from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="您的API密钥")
构建应用程序
现在我们可以开始构建语言模型应用程序。LangChain提供了许多模块，可用于构建语言模型应用程序。模块可以作为简单应用程序中的独立模块使用，也可以组合在一起以实现更复杂的用例。
LLMs
从语言模型中获取预测
LangChain的基本构建块是LLM，它接收文本并生成更多文本。
举个例子，假设我们正在构建一个根据公司描述生成公司名称的应用程序。为了做到这一点，我们需要初始化一个OpenAI模型包装器。在这种情况下，由于我们希望输出更加随机，我们将使用较高的温度初始化模型。
from langchain.llms import OpenAI
llm = OpenAI(temperature=0.9)
现在我们可以传入文本并获取预测！
llm.predict("一个生产多彩袜子的公司的好公司名称是什么？")
输出结果为：
'欢乐之脚'
Chat模型
Chat模型是语言模型的一种变体。虽然Chat模型在内部使用语言模型，但它们提供的接口有点不同：它们不是提供一个“文本输入，文本输出”的API，而是提供一个接口，其中“聊天消息”是输入和输出。
您可以通过将一个或多个消息传递给Chat模型来获得聊天完成。响应将是一条消息。LangChain中支持的消息类型有AIMessage、HumanMessage、SystemMessage和ChatMessage，ChatMessage使用一个任意的角色参数。大多数情况下，您只需要处理HumanMessage、AIMessage和SystemMessage。
from langchain.chat_models import ChatOpenAI
from langchain.schema import (
AIMessage,
HumanMessage,
SystemMessage
)
chat = ChatOpenAI(temperature=0)
chat.predict_messages([HumanMessage(content="将这句话从英文翻译成法文。我喜欢编程。")])
输出结果为：
AIMessage(content="J'aime programmer.", additional_kwargs={})
了解Chat模型与普通LLM的区别很有用，但有时仅仅将它们视为相同的模型进行交互可能更方便。LangChain通过也提供了一个接口，通过该接口您可以像处理普通LLM一样与Chat模型进行交互。您可以通过predict接口来实现：
chat.predict("将这句话从英文翻译成法文。我喜欢编程。")
输出结果为：
"J'aime programmer."
Prompt模板
大多数LLM应用程序不会直接将用户输入传递给LLM。通常，它们将用户输入添加到一个更大的文本片段中，称为prompt模板，以提供关于特定任务背景的额外上下文信息。
在前面的例子中，我们传递给模型的文本包含了生成公司名称的指示。对于我们的应用程序来说，如果用户只需要提供公司/产品的描述，而无需担心给模型提供指示，那将非常方便。
使用PromptTemplates可以很容易实现这一点！在这种情况下，我们的模板会非常简单：
from langchain.prompts import PromptTemplate
prompt = PromptTemplate.from_template("一个生产{product}的公司的好公司名称是什么？")
prompt.format(product="多彩袜子")
输出结果为：
'一个生产多彩袜子的公司的好公司名称是什么？'
链
现在我们已经有了一个模型和一个prompt模板，我们希望将两者结合起来。链为我们提供了一种将多个基本模块（如模型、prompt和其他链）链接（或串联）在一起的方式。
最简单且最常见的链类型是LLMChain，它首先将输入传递给PromptTemplate，然后再传递给LLM。我们可以从现有的模型和prompt模板构建一个LLM链。
from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)
chain.run("多彩袜子")
输出结果为：
'欢乐之脚'
理解这个简单的链是学习如何处理更复杂链的好基础。
Agents
我们的第一个链运行了一个预先确定的步骤序列。为了处理复杂的工作流，我们需要能够根据输入动态选择操作。
代理正是做到这一点的：它们使用语言模型来确定应采取的操作及其顺序。代理可以访问工具，并重复选择工具、运行工具和观察输出，直到得出最终答案。
要加载代理，您需要选择：
- LLM/Chat模型：驱动代理的语言模型。
- 工具：执行特定任务的函数。可以是谷歌搜索、数据库查询、Python REPL、其他链等。有关预定义工具及其规范的列表，请参阅工具文档。
- 代理名称：引用支持的代理类的字符串。代理类在很大程度上由语言模型用于确定采取哪个动作来参数化。因为这篇文章侧重于最简单的、最高级别的API，所以只涵盖了使用标准支持的代理。如果您想实现自定义代理，请参阅此处。有关支持的代理及其规范的列表，请参阅此处。
对于这个示例，我们将使用SerpAPI来查询搜索引擎。
您需要安装SerpAPI Python包：
pip install google-search-results
并设置SERPAPI_API_KEY环境变量。
from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.llms import OpenAI
# 驱动代理的语言模型
llm = OpenAI(temperature=0)
# 给Agent访问的工具，注意'llm-math'工具使用LLM，因此需要将其传递给load_tools函数
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# 初始化一个代理，包括工具、语言模型和要使用的代理类型
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
# 测试代理
agent.run("昨天旧金山的最高气温是多少华氏度？将该数字提高到0.023次方是多少？")
输出结果为：
> 进入新的AgentExecutor链...
思考：首先我需要找到温度，然后使用计算器将其提高到0.023次方。
动作：搜索
输入："昨天旧金山的最高气温"
观察：旧金山昨天的温度。最高温度：57°F（下午1:56） 最低温度：49°F（上午1:56） 平均温度...
思考：现在我有了温度，所以我可以使用计算器将其提高到0.023次方。
动作：计算器
输入：57^0.023
观察：答案：1.0974509573251117
思考：现在我知道最终答案
最终答案：昨天旧金山的最高气温的0.023次方是1.0974509573251117。
> 完成链。
昨天旧金山的最高气温的0.023次方是1.0974509573251117。
Memory
到目前为止，我们看到的链和代理都是无状态的，但对于许多应用程序来说，引用过去的交互是必要的。聊天机器人就是一个明显的例子，您希望它能在过去的消息上下文中理解新的消息。
Memory模块提供了一种维护应用程序状态的方式。基本Memory接口很简单：它允许您根据最新的运行输入和输出更新状态，并且允许您使用存储的状态修改（或上下文化）下一个输入。
有许多内置的Memory系统。其中最简单的是一个缓冲区Memory，它只是将最近几个输入/输出添加到当前输入之前。我们将在下面的示例中使用它。
from langchain import OpenAI, ConversationChain
llm = OpenAI(temperature=0)
conversation = ConversationChain(llm=llm, verbose=True)
conversation.run("你好！")
下面是底层实现：
> 进入新的链...
格式化后的prompt：
以下是人类和AI之间友好对话的内容。AI会健谈，并提供其上下文的许多具体细节。如果AI不知道问题的答案，它会诚实地说不知道。
当前对话：
人类：你好！
AI:
> 完成链。
>> '你好！你今天好吗？'
现在，如果我们再次运行该链：
conversation.run("我很好！只是与AI聊天。")
我们会看到传递给模型的完整prompt包含我们第一个交互的输入和输出，以及我们最新的输入：
> 进入新的链...
格式化后的prompt：
以下是人类和AI之间友好对话的内容。AI会健谈，并提供其上下文的许多具体细节。如果AI不知道问题的答案，它会诚实地说不知道。
当前对话：
人类：你好！
AI：你好！你今天好吗？
人类：我很好！只是与AI聊天。
AI:
> 完成链。
>> '太好了！你想聊什么？'
内存
到目前为止，我们看到的链和代理都是无状态的，但对于许多应用程序来说，引用过去的交互是必要的。聊天机器人就是一个明显的例子，您希望它能在过去的消息上下文中理解新的消息。
Memory模块提供了一种维护应用程序状态的方式。基本Memory接口很简单：它允许您根据最新的运行输入和输出更新状态，并且允许您使用存储的状态修改（或上下文化）下一个输入。
有许多内置的Memory系统。其中最简单的是一个缓冲区Memory，它只是将最近几个输入/输出添加到当前输入之前。我们将在下面的示例中使用它。
from langchain.memory import BufferMemory
memory = BufferMemory(buffer_size=2)
memory.update_state("您好！")
memory.update_state("我很好！只是与AI聊天。")
memory.modify_next_input("这是一条新消息。")
输出结果为：
'这是一条新消息。您好！我很好！只是与AI聊天。'
在上面的示例中，我们首先更新了状态，然后修改了下一个输入，以便在最新的输入之前包含先前的输入和输出。
这只是Memory模块的一个简单示例。根据您的应用程序需求，可以使用不同的内置Memory系统或实现自定义的Memory系统。
