LangChain API 调用语言模型

元Y亨H
12 阅读6分钟

好的，这是一篇关于如何使用 LangChain API 调用语言模型的详细文章，并附有代码示例。

LangChain 核心功能：轻松调用大语言模型（附代码示例）

在大语言模型（LLM）应用开发中，直接与各种模型 API 进行交互可能会变得复杂和繁琐。不同的模型提供商（如 OpenAI、Google、Anthropic）有不同的 SDK 和数据格式。LangChain 的核心价值之一就是提供了一个统一、标准化的接口来与这些模型进行交互，极大地简化了开发流程。

本文将详细介绍如何通过 LangChain 调用语言模型，并提供清晰的代码示例，帮助您快速上手。

LangChain 的模型抽象：两种基本类型

LangChain 将模型抽象为两种主要类型，以适应不同的应用场景：

  1. LLMs: 这是对传统文本补全模型的封装。您输入一段文本（prompt），它会返回一段补全的文本。这种模型适合简单的问答或文本生成任务。
  2. ChatModels: 这是对更先进的对话模型的封装。它的输入是“消息列表”（List of Messages），输出也是一个“消息”（Message）。这种结构更适合构建多轮对话的聊天机器人，因为它能更好地处理上下文和角色扮演。

在当前的开发实践中，ChatModels 是更常用、更推荐的选择，因为它们通常是更新、更强大的模型（如 GPT-4、Claude 3），并且其基于消息的输入方式更加结构化和灵活。

第一步：环境准备与安装

在开始之前，请确保您已经安装了必要的 Python 库。我们将以 OpenAI 的模型为例，因此需要安装 langchain-openai。

pip install langchain langchain-openai python-dotenv

为了安全地管理您的 API 密钥，建议使用 .env 文件。在您的项目根目录下创建一个名为 .env 的文件，并写入以下内容：

OPENAI_API_KEY="sk-YourOpenAI_API_Key"

第二步：调用聊天模型（ChatModels）- 推荐方式

ChatModels 是构建现代 LLM 应用的基础。它的交互模式模仿了真实的对话，通过不同角色的消息（如 SystemMessage, HumanMessage, AIMessage）来构建上下文。

1. 基本调用

最简单的调用方法是实例化一个 ChatOpenAI 对象，并向其传递一个消息列表。

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 加载 .env 文件中的环境变量
load_dotenv()

# 1. 初始化模型
# model_name 可以指定具体的模型，如 "gpt-4", "gpt-3.5-turbo"
# temperature 控制输出的随机性，0 表示最确定，1 表示最随机
chat = ChatOpenAI(model_name="gpt-4o", temperature=0)

# 2. 准备输入消息
# SystemMessage 定义了 AI 的角色和行为准则
# HumanMessage 代表用户的输入
messages = [
    SystemMessage(content="你是一名专业的旅行规划师。"),
    HumanMessage(content="我应该去哪里度过一个为期三天的浪漫周末？请推荐一个城市并说明理由。"),
]

# 3. 调用模型并获取响应
# .invoke() 方法是 LangChain 中执行调用的标准方法
response = chat.invoke(messages)

# 4. 打印结果
print("AI的回答:")
print(response.content)

# AIMessageChunk(content='当然！对于一个为期三天的浪漫周末，我强烈推荐**法国的巴黎**。\n\n**理由如下：**\n\n1.  **无与伦比的浪漫氛围**：巴黎被誉为“爱之城”，其街道、塞纳河畔、古老的建筑和迷人的咖啡馆都充满了浪漫气息。与伴侣在蒙马特高地漫步，或是在埃菲尔铁塔下欣赏夜景，都是非常难忘的体验。\n\n2.  **世界级的艺术与文化**：你们可以参观卢浮宫，欣赏《蒙娜丽莎》的微笑；也可以去奥赛博物馆，沉浸在印象派的画作中。丰富的艺术展览为你们的旅行增添了文化深度。\n\n3.  **精致的美食体验**：从米其林星级餐厅到街角的面包店，巴黎的美食总能满足你的味蕾。一起品尝法式蜗牛、马卡龙和现烤的可颂面包，享受味觉上的盛宴。\n\n4.  **便捷的交通**：巴黎的公共交通系统非常发达，地铁可以轻松带你们到达城市的任何一个角落，让你们在有限的时间里高效地游览。')

在这个例子中，SystemMessage 告诉模型它应该扮演什么角色，而 HumanMessage 则是用户的具体问题。模型的返回结果是一个 AIMessage 对象，其 .content 属性包含了生成的文本。

第三步：结合 PromptTemplate 和 LCEL 实现模块化调用

在实际应用中，我们很少直接硬编码提问。更好的方式是使用 PromptTemplate 来动态地构建输入。LangChain 表达式语言（LCEL）则提供了一种优雅的方式将提示、模型和输出解析器“链接”在一起。

这被认为是 LangChain 的标准实践。

1. 创建提示模板

ChatPromptTemplate 允许我们定义一个包含变量的对话结构。

from langchain_core.prompts import ChatPromptTemplate

# 创建一个包含输入变量 {topic} 的模板
prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一名专业的文案撰写人，擅长写出吸引人的社交媒体帖子。"),
        ("human", "为关于“{topic}”的产品写一个三句话的推广文案。"),
    ]
)

2. 使用 LCEL 构建调用链

LCEL 使用管道符 | 将不同的组件链接在一起，形成一个处理流水线。这使得代码非常简洁且易于理解。

# 使用 LCEL 将 prompt, model 链接在一起
# 这是一个简单的 Chain (调用链)
chain = prompt_template | chat

# 调用链，并传入变量
response = chain.invoke({"topic": "新款智能手表"})

print("文案内容:")
print(response.content)

# 文案内容:
# 准备好迎接未来的科技浪潮了吗？我们的新款智能手表不仅是时间的记录者，更是您手腕上的健康伙伴和智能助理。现在就体验前所未有的便捷与时尚，让每一刻都充满智慧。

这种方法的优势在于：

  • 可重用性：prompt_template 和 chain 可以被重复使用，只需传入不同的 topic。
  • 模块化：可以轻松地在链中添加或替换组件，例如在最后加上一个输出解析器 | StrOutputParser()。

第四步：调用传统 LLMs（较少使用）

虽然 ChatModels 是主流，但了解如何调用基本的 LLM 也是有帮助的。其接口更简单，只接受和返回字符串。

from langchain_openai import OpenAI

# 1. 初始化 LLM 模型
# 注意这里导入的是 OpenAI，而不是 ChatOpenAI
llm = OpenAI(model_name="gpt-3.5-turbo-instruct", temperature=0)

# 2. 准备输入文本
text = "请解释一下什么是黑洞？"

# 3. 调用并打印结果
response = llm.invoke(text)

print(response)

# 黑洞是一种极其神秘和强大的天体，它的引力非常巨大，以至于任何物质，甚至光，都无法逃脱它的引力范围。
# ... (省略部分输出)

结论

LangChain 通过其标准化的 ChatModels 和 LLMs 接口，以及强大的 PromptTemplate 和 LCEL，彻底改变了与大语言模型交互的方式。对于新项目，强烈建议遵循以下最佳实践：

  1. 优先使用 ChatModels，因为它更强大且输入结构更清晰。
  2. 利用 ChatPromptTemplate 管理你的提示，使其动态化和可重用。
  3. 拥抱 LangChain 表达式语言（LCEL），通过 | 符号构建清晰、模块化的调用链。

掌握了这些核心技巧，您就已经迈出了使用 LangChain 构建复杂、强大且可靠的 LLM 应用的关键一步。

avatar
文章
阅读
粉丝