LangChain系统安装和快速入门| 第七届字节青训营安装LangChain 安装LangChain可以通过pip i

安装LangChain

安装LangChain可以通过pip install langchain完成，但要注意与其他工具的集成需要额外安装依赖，如openai和chroma。

推荐使用pip install langchain[llms]来安装包含常用大语言模型的版本，之后再用pip install --upgrade langchain来保持最新版本。

Openai API

OpenAI API 是 OpenAI 提供的用于访问其大语言模型（如 GPT-3、GPT-4 等）的应用程序接口。通过这些API，开发者可以将自然语言处理能力集成到自己的应用中，实现诸如文本生成、对话、语言翻译等功能。OpenAI 的 API 通过一系列端点，让用户发送输入（prompt）并获得模型的输出（response）。

通过一些神秘方法获得OPENAI API后来看看下面两个代码分别展示了CHAT MODEL和TEXT MODEL 首先先介绍OPENAI API的调用参数在调用OpenAI API时，开发者可以使用各种参数来定制化请求，从而控制模型生成文本的内容和风格。以下是关键参数的简要说明：

model：指定所使用的模型类型，例如 text-davinci-003、gpt-3.5-turbo 等。
prompt：提示或问题的内容，告诉模型需要生成什么样的文本。
temperature：用于控制生成文本的随机性。较高的值（如 0.8）会让输出更具多样性，较低的值（如 0.2）则让输出更确定。
max_tokens：生成文本的最大长度，注意单位是Tokens。比如一个英文单词通常是一个Token。
suffix：可以附加到模型生成的文本末尾的字符串。
top_p：与temperature类似，但通过核采样控制生成的随机性。
n：生成的候选响应数目，使用多个响应可以帮助选择最佳答案。
stream：是否以流的方式输出生成的Tokens，如果为 true，会逐步返回结果。
logprobs：请求输出的Token的概率信息。
echo：设置为 true 时，返回的文本会包含请求中的输入内容。
stop：设置一个或多个停止符号，当模型生成文本遇到这些符号时会停止。
presence_penalty 和 frequency_penalty：用于影响模型生成新信息的程度，可以提高生成多样性。
best_of：生成最佳响应的数量，适用于在指定多个响应时。
logit_bias：对指定Token的生成概率进行偏置处理。
user：用于标识请求的用户，方便OpenAI进行监控和管理。

响应对象详解

OpenAI API 的响应对象包含了模型生成的输出和其他相关信息，通常包含以下主要字段：

id：响应的唯一标识符。
object：对象类型，通常为 text_completion。
created：生成响应的时间。
model：生成响应所用模型的名称。
choices：包含所有生成的输出，列表的每一项对应一个生成的结果。
usage：包含关于Token使用的统计信息，如提示的Token数量（prompt_tokens）、生成的Token数量（completion_tokens）以及总Token数量（total_tokens）。

在代码中，你可以通过 response.choices[0].text.strip() 来获取第一个生成的文本，并移除前后的空白符号。

CHAT MODEL

聊天模型，用于产生人类和AI之间的对话。

"""
本文件是【LangChain系统安装和快速入门】章节的配套代码，课程链接：https://juejin.cn/book/7387702347436130304/section/7388069981520724003
您可以点击最上方的“运行“按钮，直接运行该文件；更多操作指引请参考Readme.md文件。
"""
import os
from openai import OpenAI

# os.environ["OPENAI_API_KEY"] = '你的OpenAI API Key'
# os.environ["OPENAI_BASE_URL"] = 'OpenAI 的 API URL'

client = OpenAI()

# text = client.invoke("请给我写一句情人节红玫瑰的中文宣传语")
response = client.chat.completions.create(
    model=os.environ.get("LLM_MODELEND"),
    messages=[
        {"role": "system", "content": "You are a creative AI."},
        {"role": "user", "content": "请给我的花店起个名"},
    ],
    temperature=0.8,
    max_tokens=600,
)

print(response.choices[0].message.content)

在这段代码中，除了 temperature、max_tokens 等参数，还有两个专属于 Chat 模型的概念：消息（messages）和角色（role）。

消息（messages） ：传入模型的提示，通常是一个包含多个消息的列表。每个消息都有一个角色（role）和内容（content）。
- 角色（role）可以是 system、user 或 assistant。
- system 设定对话背景（例如 "你是一个很棒的智能助手"）。
- user 是用户发出的请求（例如 "请给我的花店起个名"）。
- assistant 是模型的回复，用于提供先前对话的上下文。

生成的响应对象会包含一个或多个 choices，每个 choice 包含一个 message，而 message 也有 role 和 content 两个字段。下面是回复的结果： Chat模型和Text模型都有各自的优点，其适用性取决于具体的应用场景。

Chat模型 更适合处理多轮交互对话的情况。它可以接受一个消息列表作为输入，包含 system、user 和 assistant 的历史信息，这样模型在生成回复时可以参考更多上下文信息。
Text模型 更简单直接，适用于单轮文本生成任务。如果你只需要模型根据一个简单的提示生成一段文本，那么使用Text模型会更适合。

通过 LangChain 调用 Text 和 Chat 模型

Text Model

代码示例：

"""
本文件是【LangChain系统安装和快速入门】章节的配套代码，课程链接：https://juejin.cn/book/7387702347436130304/section/7388069981520724003
您可以点击最上方的“运行“按钮，直接运行该文件；更多操作指引请参考Readme.md文件。
"""
import os
from langchain_openai import ChatOpenAI

# os.environ["OPENAI_API_KEY"] = '你的OpenAI API Key'
# os.environ["OPENAI_BASE_URL"] = 'OpenAI 的 API URL'


llm = ChatOpenAI(
    model=os.environ.get("LLM_MODELEND"),
    temperature=0.8,
    max_tokens=600,
)
response = llm.predict("请给我的花店起个名")

print(response)

输出结果为：

CHAT Model

代码示例：

"""
本文件是【LangChain系统安装和快速入门】章节的配套代码，课程链接：https://juejin.cn/book/7387702347436130304/section/7388069981520724003
您可以点击最上方的“运行“按钮，直接运行该文件；更多操作指引请参考Readme.md文件。
"""
import os
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage

# os.environ["OPENAI_API_KEY"] = '你的OpenAI API Key'
# os.environ["OPENAI_BASE_URL"] = 'OpenAI 的 API URL'

chat = ChatOpenAI(model=os.environ.get("LLM_MODELEND"), temperature=0.8, max_tokens=600)

messages = [
    SystemMessage(content="你是一个很棒的智能助手"),
    HumanMessage(content="请给我的花店起个名"),
]
response = chat(messages)
print(response)

输出结果如下：