青蛙小白
目录

LangChain

LangChain简介

LangChain是一个用于开发由大语言模型 (LLMs) 提供支持的应用程序的框架。

LangChain 简化了 LLM 应用程序生命周期的每个阶段：

  • 开发(Development)：使用LangChain的开源构建模块、组件和第三方集成(Integrations)来构建您的应用程序。使用LangGraph构建具有一流流处理和人机交互支持的有状态代理(stateful agents)。
  • 生产化(Productionization)：使用LangSmith检查、监控和评估您的链(chains)，以便您能够持续优化并自信地进行部署。
  • 部署(Deployment)：使用LangGraph Cloud将您的LangGraph应用程序转换为生产就绪的 API 和助手。

langchain-stack.png
langchain-stack.png

具体而言，该框架由以下开源库组成：

  • langchain-core：基础抽象和LangChain表达语言(LCEL)。
  • langchain-community：第三方集成。
    • 合作伙伴package（例如 langchain-openai、langchain-anthropic 等）：某些集成已进一步拆分为仅依赖于 langchain-core 的轻量级独立包。
  • langchain：组成应用程序认知架构的链(chains)、代理(agents)和检索策略(retrieval strategies)。
  • LangGraph：通过将步骤建模为图中的边和节点，构建稳健且有状态的多参与者LLM应用程序。与LangChain无缝集成，但也可以独立使用。
  • LangServe：将LangChain链部署为REST API。
  • LangSmith：一个开发者平台，允许您调试、测试、评估和监控LLM应用程序。

LangChain提供的功能

  • 与大模型进行交互
  • 管理提示语(Prompt)
  • 支持不同模型之间的连接
  • 提供基于RAG的生成
  • 使代理(Agent)可以执行任务并观察结果
  • 提供基于记忆(Memory)的状态管理

关键词：LLMs, Prompt, Chains, RAG, Agent, Memory

Hello LangChain

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手"),
    ("user", "请给我讲一个关于{topic}的笑话")
])
prompt = prompt_template.invoke({"topic": "学生"})
print(prompt)
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
response = llm.invoke(prompt)
print(response.content)
messages=[SystemMessage(content='你是一个有用的助手', additional_kwargs={}, response_metadata={}), HumanMessage(content='请给我讲一个关于学生的笑话', additional_kwargs={}, response_metadata={})]
当然可以！这是一个关于学生的笑话：

有一天，老师问学生：“如果你有三只苹果，给了你朋友两只，你还有多少只苹果？”

学生思考了一下，回答：“老师，我还有一只苹果，但我失去了一个朋友！”

希望这个笑话能让你笑一笑！

LangChain表达语言(LCEL)

使用LangChain的链式调用语法 (LCEL) 可以更加简洁地组织代码:

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import  StrOutputParser

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手"),
    ("user", "请给我讲一个关于{topic}的笑话")
])
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
output_parser = StrOutputParser()
chain = prompt_template | llm | output_parser

result = chain.invoke({"topic": "学生"})

print(result)
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import CommaSeparatedListOutputParser

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一位品牌命名专家"),
    ("user", """请模仿示例起3个具有{culture}特色的品牌名字。
示例：服饰品牌{clothing_brand}, 艺术品牌{art_brand}。
注意返回内容只有品牌的名字且用,分隔""")
])

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
output_parser = CommaSeparatedListOutputParser()

chain = prompt_template | llm | output_parser

names_list = chain.invoke({"culture": "意大利", "clothing_brand": "风尚罗马", "art_brand": "文艺之光"})

print(names_list)
['意大利风情', '美食之旅', '经典之韵']

参考链接

评论