构建简单的LLM应用：使用LangChain快速入门指南
在这篇文章中，我们将向您展示如何使用LangChain构建一个简单的LLM应用程序，该应用程序将负责将文本从英语翻译成其他语言。这是一个相对简单的LLM应用程序——它仅涉及一个LLM调用和一些提示。然而，这也是一个很好的开始LangChain的方式——许多功能可以通过一些提示和LLM调用来构建！
阅读本教程后，您将对以下内容有一个高层次的概述：
- 使用语言模型
- 使用提示模板和输出解析器
- 使用LangChain表达式语言(LCEL)来连接组件
- 使用LangSmith调试和追踪您的应用
- 使用LangServe部署您的应用
1. 引言
在AI应用的开发中，语言模型（LLM）能够大大增强应用的智能和交互能力。本文旨在介绍如何通过LangChain构建一个简单的文本翻译应用，这将为您进一步开发复杂应用奠定基础。
2. 主要内容
2.1 设置环境
Jupyter Notebook
本指南以及大多数其他文档使用Jupyter notebooks编写，假定读者也是如此。Jupyter notebooks非常适合学习如何处理LLM系统，因为环境交互有助于理解复杂问题。
要安装Jupyter Notebook，请参考此处。
安装LangChain
您可以通过以下方式安装LangChain：
pip install langchain
# 或者使用Conda
conda install langchain -c conda-forge
详细安装指南请参见Installation guide。
2.2 使用语言模型
LangChain支持多种语言模型，下面演示如何使用OpenAI的模型：
import getpass
import os
from langchain_openai import ChatOpenAI
os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter your OpenAI API key:")
model = ChatOpenAI(model="gpt-4")
2.3 使用PromptTemplates和OutputParsers
首先，我们创建一个提示模板和输出解析器：
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
system_template = "Translate the following into {language}:"
prompt_template = ChatPromptTemplate.from_messages([
("system", system_template),
("user", "{text}")
])
parser = StrOutputParser()
# 使用模板和解析器对消息进行处理
messages = prompt_template.invoke({"language": "italian", "text": "hi"})
result = parser.invoke(model.invoke(messages))
print(result) # 输出 'Ciao!'
3. 代码示例
以下是完整的代码示例，展示如何使用LangChain构建翻译应用：
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
from fastapi import FastAPI
from langserve import add_routes
import uvicorn
# 1. 创建提示模板
system_template = "Translate the following into {language}:"
prompt_template = ChatPromptTemplate.from_messages([
('system', system_template),
('user', '{text}')
])
# 2. 创建模型
model = ChatOpenAI(model="gpt-4") # 使用API代理服务提高访问稳定性
# 3. 创建解析器
parser = StrOutputParser()
# 4. 创建链
chain = prompt_template | model | parser
# FastAPI应用定义
app = FastAPI(
title="LangChain Server",
version="1.0",
description="A simple API server using LangChain's Runnable interfaces",
)
add_routes(app, chain, path="/chain")
if __name__ == "__main__":
uvicorn.run(app, host="localhost", port=8000)
4. 常见问题和解决方案
4.1 API访问不稳定
由于某些地区的网络限制，您可能需要使用API代理服务来提高访问的稳定性。可以通过设置环境变量或代理服务配置来解决。
4.2 调试和追踪
在运行复杂的LangChain应用程序时，使用LangSmith可以帮助您追踪和调试不同组件之间的交互。
5. 总结和进一步学习资源
通过这篇教程，您学习了如何构建一个简单的LLM应用程序，包括语言模型的使用、输出解析、提示模板的创建以及如何将这些组件通过LCEL结合在一起。虽然这只是成为熟练AI工程师的开始，幸运的是，我们为您准备了大量的学习资源！
进一步学习资源：
6. 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---
