一、什么是 LangChain?
LangChain 是一个用于开发基于大语言模型(LLM)应用程序的框架,它提供了一系列工具和抽象,让开发者能够更容易地构建复杂的 AI 应用。
二、核心概念
1. 基础组件
从示例代码中我们可以看到几个重要的基础组件:
# 1. 环境配置
import os
os.environ["OPENAI_API_KEY"] = "your-api-key"
os.environ["OPENAI_BASE_URL"] = "your-base-url"
# 2. 聊天模型
from langchain_openai import ChatOpenAI
chat = ChatOpenAI(
model="gpt-3.5-turbo",
temperature=0.8,
max_tokens=60
)
# 3. 基础LLM
from langchain_openai import OpenAI
llm = OpenAI(model_name="gpt-3.5-turbo-instruct")
2. 消息类型
LangChain 支持多种消息类型:
from langchain.schema import (
SystemMessage, # 系统消息
HumanMessage # 用户消息
)
messages = [
SystemMessage(content="你是一个很棒的风水师"),
HumanMessage(content="请给我的花店起个名")
]
3. 模板系统
LangChain 提供了强大的模板系统:
from langchain.prompts import PromptTemplate
template = """你是一位专业的鲜花店的文案撰写员。
对于售价为{price} 元的{flower_name},你能提供一个吸引人的简短描述吗？
"""
prompt = PromptTemplate.from_template(template)
input = prompt.format(flower_name="玫瑰",price="99")
三、实际应用示例
1. 简单对话
chat = ChatOpenAI( model="gpt-3.5-turbo",
temperature=0.8,
max_tokens=60
)
messages = [ SystemMessage(content="你是一个很棒的风水师"),
HumanMessage(content="请给我的花店起个名")]
response = chat(messages)
print(response.content)
2. 模板化文案生成
template = """你是一位专业的鲜花店的文案撰写员。
对于售价为{price} 元的{flower_name},你能提供一个吸引人的简短描述吗？
"""
prompt = PromptTemplate.from_template(template)
input = prompt.format(flower_name="玫瑰",price="99")
model = OpenAI(model_name="gpt-3.5-turbo-instruct")output = model.invoke(input)
2. 格式化输出格式
# 格式化输出
from langchain.output_parsers import StructuredOutputParser, ResponseSchema
response_schemas = [
ResponseSchema(name="description",description="鲜花的描述文案"),
ResponseSchema(name="reason",description="为什么要这样写这个文案"),
]
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
print(output_parser)
format_instruction = output_parser.get_format_instructions()
print(format_instruction)
output = PromptTemplate.from_template(template,
partial_variables={"format_instruction":format_instructions})
input = prompt.format_prompt(
flower_name="玫瑰",
price="99",
format_instruction=format_instruction
)
print(input)
output = model.invoke(input)
print(output)
