个人笔记之Langchain快速入门（一）｜豆包MarsCode AI 刷题青训营课程中，我们从《快速入门》开始，并

青训营课程中，我们从《快速入门》开始，并且分析它的结构。

第一节

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'

os 模块：用于读取和操作操作系统的环境变量。
openai 模块：导入了 OpenAI 的 Python SDK，并假设其中包含一个 OpenAI 类，用于与 OpenAI API 进行交互。
注释部分代码表示需要设置 OPENAI_API_KEY 和 OPENAI_BASE_URL 环境变量。
- OPENAI_API_KEY 是访问 OpenAI API 的密钥。
- OPENAI_BASE_URL 是 OpenAI 服务的基础 URL，可能指向官方 URL 或企业内部部署的 API 网关。
这些环境变量的目的是配置 API 客户端所需的验证信息和访问路径。

client = OpenAI()

创建一个 OpenAI 客户端对象 client。
该对象内置了与 OpenAI API 交互的功能，比如发送请求、接收响应等。

response = client.completions.create(
    model=os.environ.get("LLM_MODELEND"),
    temperature=0.5,
    max_tokens=100,
    prompt="请给我的花店起个名",
)


print(response.choices[0].text.strip())

这是程序的核心部分，调用 OpenAI API 生成一个文本补全。以下是参数的含义：

model=os.environ.get("LLM_MODELEND")
- 使用 os.environ.get("LLM_MODELEND") 获取环境变量 LLM_MODELEND，该变量指定了使用的模型名称（如 "text-davinci-003" 或 "gpt-3.5-turbo"）。
- 这允许模型灵活配置，支持切换不同版本。
temperature=0.5
- 控制生成文本的随机性。
- 值越低（如 0），生成的内容越确定；值越高（如 1），生成的内容越多样化。
max_tokens=100
- 限制生成文本的最大长度（以 token 为单位，约等于单词数）。
prompt="请给我的花店起个名"
- 提供模型的输入提示。模型根据这个提示生成相应的文本。

返回的结果存储在变量 response 中。

从 API 的响应中提取生成的文本：
- response.choices：响应中的多个生成选项列表。
- [0]：选择第一个生成的结果。
- .text：获取生成的具体文本内容。
- .strip()：去掉文本开头和结尾的多余空格或换行符。
最后，将处理后的生成结果打印到控制台。

整体逻辑流程

导入模块：引入系统和 OpenAI SDK。
配置环境变量：准备好 API 调用所需的密钥和基础 URL。
初始化客户端：创建 OpenAI 客户端实例。
调用生成方法：使用 completions.create 方法发送请求，传入模型名称、提示词等参数。
处理并输出结果：从返回值中提取生成文本，去除多余符号并打印。

第二节

重复的部分不再赘述。

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,
)

这里是实现功能的核心代码。调用了 client.chat.completions.create 方法，生成聊天对话内容。以下是参数的详细说明：

model=os.environ.get("LLM_MODELEND")
- 通过环境变量 LLM_MODELEND 获取模型名称，灵活选择不同的 OpenAI 模型（如 "gpt-3.5-turbo" 或 "gpt-4"）。
- 未设置时可能会导致错误，需要确保环境变量存在，或者提供默认值。
messages
- 这是聊天接口的核心参数，用于模拟对话历史。
- 格式为一个列表，每个元素是一个字典，包含以下关键字段：
  - "role"：定义消息发送方，常见值包括：
    - "system"：系统角色，用于设定模型的行为或上下文信息。
    - "user"：用户角色，用于表示用户的输入。
    - "assistant"：AI 回复的角色，通常由 API 自动生成。
  - "content"：消息的具体内容。
- 本例中，messages 列表有两个消息：
  - {"role": "system", "content": "You are a creative AI."}：告知 AI 它是一个富有创造力的助手。
  - {"role": "user", "content": "请给我的花店起个名"}：用户请求为花店命名。
temperature=0.8
- 控制生成内容的随机性和创造性：
  - 值越低（如 0.2）：生成内容更具确定性，适合精确任务。
  - 值越高（如 0.8）：生成内容更具随机性和创造性，适合需要发散思维的任务。
max_tokens=600
- 限制生成回复的最大长度（以 token 为单位，1 token 大致相当于 4 个字符或 0.75 个单词）。
- 设置为 600，允许较长的回复，适合生成多个命名建议或详细解释。

前后程序的区别

1. 调用的 API 接口类型

上一个程序：调用的是 client.completions.create 接口，用于生成文本补全（completion）。
- 适用场景：基于提示词生成一段连贯的文本结果（如写一段描述或完成某句话）。
- 工作方式：通过一个 prompt 提供输入，模型以此生成一个连续的输出。
当前程序：调用的是 client.chat.completions.create 接口，用于支持多轮对话（chat）。
- 适用场景：设计模拟聊天交互的任务（如问答、角色扮演）。
- 工作方式：通过 messages 提供对话上下文，模型根据历史消息生成更自然的聊天回复。

核心区别：

上一个程序：基于单个提示（prompt），适合单一任务的文本生成。
当前程序：基于多轮对话（messages），更适合动态交互和上下文依赖的任务。

2. 输入参数的形式

上一个程序：
```
response = client.completions.create(
    model=os.environ.get("LLM_MODELEND"),
    temperature=0.5,
    max_tokens=100,
    prompt="请给我的花店起个名",
)
```
- 使用 prompt：一个字符串作为输入（如 "请给我的花店起个名"）。
- 上下文缺失：无法包含多轮对话，生成的内容只基于这一段提示。

当前程序：

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,
)

使用 messages：一个列表记录了对话的上下文（包含系统角色、用户输入等）。
上下文保留：支持多轮对话，模型可以基于之前的消息生成更连贯的回复。

核心区别：

上一个程序以单个字符串为输入。
当前程序以对话历史（消息列表）为输入，具有上下文感知能力。

3. 模型的角色和行为设定

上一个程序：
- 没有显式设定 AI 的角色或行为。
- 模型只根据 prompt 提供结果，输出的风格完全依赖提示词。
当前程序：
- 通过 messages 中的 "system" 消息显式设定 AI 的角色：
```
python
复制代码
{"role": "system", "content": "You are a creative AI."}
```
- 模型行为会更贴近 "creative AI" 的角色设定，输出可能更加丰富和富有想象力。

核心区别：

上一个程序无法直接控制模型的角色或行为。
当前程序通过 system 消息灵活设定模型的角色、任务背景等。

个人笔记之Langchain快速入门（一） ｜ 豆包MarsCode AI 刷题

第一节

整体逻辑流程

第二节

前后程序的区别

1. 调用的 API 接口类型

2. 输入参数的形式

3. 模型的角色和行为设定

个人笔记之Langchain快速入门（一）｜豆包MarsCode AI 刷题