前言
Langchain为开发者提供了两类封装的语言模型：大语言模型（LLM）和聊天模型（Chat Models）。这两类模型的封装使得开发者能够更便捷地利用OpenAI API进行文本建模和生成。本篇文章就带大家去了解一下这两种模型的区别
LLM（大语言模型）
LLM是一种基于统计的机器学习模型，专注于对文本数据进行建模和生成。具体而言，Langchain中的LLM指的是文本补全模型，其通过学习语言模式、语法规则和语义关系，生成符合语言规则的连贯文本。
| 输入 | 输出 |
|---|---|
| 一条文本内容 | 一条文本内容 |
聊天模型（Chat Models）
聊天模型是语言模型的一种变体，它不仅使用语言模型，还提供了基于“聊天消息”的接口。在Langchain中，gpt系列模型属于聊天模型，而davinci、curie、babbage、ada等模型属于文本补全模型。
| 输入 | 输出 |
|---|---|
| 一组聊天消息 | 一条聊天消息 |
Langchain与OpenAI模型
Langchain通过封装不同的模型，为开发者提供了统一的接口。无论是文本补全模型还是聊天模型，Langchain将其抽象为相同的接口BaseLanguageModel。开发者可通过predict和predict_messages函数轻松调用不同模型，当使用LLM时推荐使用predict函数，当使用聊天模型时推荐使用predict_messages函数。接下来通过一些代码示例给大家展示一下两者的不同。
与LLM的交互
与LLM的交互，我们需要使用 langchain.llms 模块中的 OpenAI 类
from langchain.llms import OpenAI
import os
os.environ['OPENAI_API_KEY'] = '您的有效OpenAI API Key'
llm = OpenAI(model_name="gpt-3.5-turbo")
response = llm.predict("What is AI?")
print(response)
与聊天模型的交互
与聊天模型的交互，我们需要使用 langchain.chat_models 模块中的 ChatOpenAI 类。
from langchain.chat_models import ChatOpenAI
from langchain.schema import AIMessage, HumanMessage, SystemMessage
import os
os.environ['OPENAI_API_KEY'] = '您的有效OpenAI API Key'
chat = ChatOpenAI(temperature=0)
response = chat.predict_messages([
HumanMessage(content="What is AI?")
])
print(response)
可以看到，聊天模型返回的是一个
AIMessage 类型的对象。这里就要给大家科普一下Langchain里的三个消息类
三个消息类
Langchain框架提供了三个消息类，分别是 AIMessage、HumanMessage 和 SystemMessage。它们对应了OpenAI聊天模型API支持的不同角色 assistant、user 和 system。
| Langchain类 | OpenAI角色 | 作用 |
|---|---|---|
| AIMessage | assistant | 模型回答的消息 |
| HumanMessage | user | 用户向模型的请求或提问 |
| SystemMessage | system | 系统指令，用于指定模型的行为 |
我们尝试用SystemMessage来指定一下模型的行为，指定模型对AI一无所知，在回答AI相关问题时，回答“I don't know”。
response = chat.predict_messages([
SystemMessage(content="You are a chatbot that knows nothing about AI. When you are asked about AI, you must say 'I don\'t know'"),
HumanMessage(content="What is deep learning?")
])
print(response)
结语
Langchain的模型封装为开发者提供了便捷、高效的方式，利用OpenAI API进行文本生成和语言建模。通过本文的介绍，希望读者能更深入地了解Langchain的模型体系，以及如何灵活运用这些模型进行自然语言处理的开发。
