大语言模型的开发利器langchainan安装使用快速入门学习实用指南

平时做技术实践时，很多问题不是概念不会，而是细节没串起来。拿“大语言模型的开发利器langchainan安装采用快速入门学习”来说，它看着像小点，放到项目里常会牵出环境、配置、兼容性和维护成本。下面按实际采用顺序，把思路、关键写法和容易踩坑的地方讲清楚，便于大家直接对照操作。

简介

落到代码里，最近随着ch@tgpt的兴起，人工智能和大语言模型又再次进入了人们的视野，不同的是这一次像是来真的，各大公司都在拼命投入，希望能在未来的AI赛道上占有一席之地。因为AI需大规模的算力，尤其是对于大语言模型来说。大规模的算力就意味着需大量金钱的投入。那么对于小公司或者个人来说是不是什么都做不了呢？

从实现思路看，当然不是，虽然小公司或者个人不能开发底层的大语言模型，但是我们能够在大语言模型之上进行应用开发，这应该就是我们现在能做到的。

落到代码里，今天给大家介绍一个大语言模型的开发框架langchain，有了它，在AI的世界，你能够如虎添翼。

什么是langchain

从实现思路看，轻松来说，langchain是一个基于大语言模型只上的开发框架，有了他，我们就能够轻松在各种大模型之上进行实际应用的开发。

实际处理时，langchain的主要特点有两个，第一点就是组件化。langchain提供了各种封装好的组件供我们采用，大大缩短了我们开发的时间。

第二点就是提供了工具链，能够组装各种组件，从而实现更加复杂的功能。

langchain的安装

废话不多说，我们来看下langchain是如何安装的。

落到代码里，AI时代大家一定要学一下python，至于为什么要学习python呢？因为其他语言都不好使......

在这个场景下，langchain实际上是python的一个开发包，所以能够借助pip或者conda两种方式来安装：

pip安装：

pip install langchain

conda安装：

conda install langchain -c conda-forge

从实现思路看，默认情况下上面的安装方式是最轻松的安装，还有很多和langchain集成的modules同时没有安装进来，如果你希望安装common LLM providers的依赖模块，那么能够借助下面的命令：

pip install langchain[llms]

若你想安装所有的模块，那么能够采用下面的命令：

pip install langchain[all]

因为langchain是开源软件，所以你也能够借助源代码来安装,下载好源代码之后，借助下面的命令安装即可：

pip install -e .

langchain更快采用

下面我们以几个具体的例子来讲解一下langchain如何采用的。

从实现思路看，因为langchain只是一个大语言模型上的开发框架，它的所有的能力都是依赖于大语言模型的，所以在采用langchain之前，我们需一个大语言模型，最轻松同时也是最强大的大语言模型就是openai的ch@tgpt了。

下面我们就以接入openai为例子进行讲解。

结合项目来看，当然langchain也能够接入其他的大语言模型框架，后面的系列教程中我们会细致说明。

实际处理时，要采用openai，必须先注册一个openai的账号，随后拿到openai的api key。

具体的注册流程这里就不讲了。大家能够自行参考网络上的各种教程。

有了api key之后，我们需设置一下环境变量：

export OPENAI_API_KEY="..."

然后安装openai的包：

pip install openai

下面就能够愉快的采用openai提供的各种功能了。

落到代码里，当然，如果你不想在环境变量中设置openai的key，我们也能够在OpenAI的构造函数中传入openai_api_key:

from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="...")

构建应用

有了上面的准备工作，下面我们就能够开始采用langchain了。

理解这一步时，当然，最最基础的一个应用就是跟大模型交互了，比如跟openai交互，我们能够让openai给我们写首诗：

>>> from langchain.llms import OpenAI
>>> llm = OpenAI(temperature=0.9)
>>> llm.predict("请以古龙的口吻，写首关于春天诗")
春天来了，万物复苏，
终于迎来了一个新的时辰，
草儿花儿抬起头，
喜迎新绿与绚丽的颜色。
山林里，小草发芽，
河畔边，花儿香烈，
这让我们感到心旷神怡，
这真是一个美好的世界。
春天来了，列位朋友，
请喜迎这样一个新时辰，
不要抱怨什么，
享受春的温暖与欣慰。

虽然写出来了，但是我觉得写的一般般吧。

实际处理时，但是这不重要，我们知道了如何借助langchain来调用openai的大模型，这个才是最重要的。

聊天模式

理解这一步时，上面我们调用LLM采用用的是"text in, text out"的模型。

从实现思路看，虽然聊天模式也是基于LLM，但是他更进了一步，因为他保存了会话的上下问题，所以在对话上更加智能化。

在代码上，传入的就不是文本了，而是message对象。

落到代码里，在langchain里，目前兼容下面几种消息类型：AIMessage, HumanMessage, SystemMessage 和 ChatMessage。

从实现思路看，在绝大多数情况下，我们只需用到AIMessage, HumanMessage, SystemMessage即可。

下面是采用的代码例子：

from langchain.ch@t_models import ChatOpenAI
from langchain.schema import (
    AIMessage,
    HumanMessage,
    SystemMessage
)
ch@t = ChatOpenAI(temperature=0)
[email protected]_messages([HumanMessage(content="请以古龙的口吻，写首关于春天诗")])

那么聊天模式和LLM模式有什么不一样呢？

结合项目来看，大家能够看到，聊天模式调用的是predict_messages接口， 而LLM模式调用的是predict接口。

从实现思路看，事实上聊天模式底层还是采用的是LLM，为了便于大家的采用，你也能够直接采用[email protected]方法来进行LLM方式的调用，如下所示所示：

[email protected]("请以古龙的口吻，写首关于春天诗")

Prompt的模板

落到代码里，开发过LLM应用的人都知道，在LLM中Prompt是很重要的，一个好的Prompt直接决定了这个应用的质量。

实际处理时，但是Prompt肯定需结合用户的输入和我们自己做的一些限定来结合采用。

实际处理时，这时候就需用到Prompt的模板功能了。 我们能够在系统中设置好模板，用户只需填充模板中的特定消息即可。

在LLM模式里，能够采用PromptTemplates，这样来写：

from langchain.prompts import PromptTemplate
prompt = PromptTemplate.from_template("请帮忙我详细描述一下这个物体，这个物体的名字是: {object}?")
prompt.format(object="猫")

最后生成的结果如下所示：

请帮忙我详细描述一下这个物体，这个物体的名字是: 猫

结合项目来看，若是在ch@t models中，代码会复杂一点点，但是逻辑实际上是一样的。 在ch@t models中，需用到几种MessagePromptTemplate，比如：ChatPromptTemplate,SystemMessagePromptTemplate和HumanMessagePromptTemplate。

我们具体来看下如何采用：

from langchain.prompts.ch@t import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
template = "现在，你的角色是{your_role}, 请根据你的角色回答后续的问题."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
ch@t_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
ch@t_prompt.format_messages(your_role="教师", text="世界上最远的地方是哪里？")

对应的输出如下所示：

[
落到代码里，SystemMessage(content="现在，你的角色是教师, 请根据你的角色回答后续的问题.", additional_kwargs={}),
HumanMessage(content="世界上最远的地方是哪里？")
]

很完美。

Chains

理解这一步时，langchain还有一个很有用的功能就是Chains，他能够把多种不同的功能结合起来。

从实现思路看，比如上面我们用到了LLM，还用到了Prompt的模板，那么我们能够用Chains把他们结合起来：

from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)
chain.run("猫")

当然，也能够结合ch@t采用：

from langchain import LLMChain
from langchain.ch@t_models import ChatOpenAI
from langchain.prompts.ch@t import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
ch@t = ChatOpenAI(temperature=0)
template = "现在，你的角色是{your_role}, 请根据你的角色回答后续的问题."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
ch@t_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
chain = LLMChain(llm=ch@t, prompt=ch@t_prompt)
chain.run(your_role="教师", text="世界上最远的地方是哪里？")

Agents

什么是agents? 从字面意义上看，Agents就是代理。

事实上langchain中的Agents就是代理的意思。

从实现思路看，比如我们现在需向openai询问昨天的天气，但是openai本身只是一个大模型，它同时不知道实时的信息。但是借助agents就能够先进行一次判断，看看这个问题是交给大模型处理合适，还是交给搜索引擎来查询比较合适。

这就是agents的作用。

从实现思路看，agents借助LLM来判断需怎么处理这个任务，同时且以什么样的顺序来处理这个任务。

落到代码里，但是采用agents是要有些条件的，首先你这个LLM模型必须兼容agent，这样才能进行后续的工作。

在这个场景下，其次是需挑选合适的工具来进行你想要做的事情，比如：Google Search, Database lookup, Python REPL等等。

落到代码里，最后就是需指定兼容的agent的名字，这样LLM才知道到底需进行哪种action。

下面是一个采用SerpAPI结合openai来进行搜索的例子：

from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.llms import OpenAI
# The language model we're going to use to control the agent.
llm = OpenAI(temperature=0)
# The tools we'll give the Agent access to. Note that the 'llm-math' tool uses an LLM, so we need to pass that in.
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# Finally, let's initialize an agent with the tools, the language model, and the type of agent we want to use.
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
# Let's test it out!
agent.run("What was the high temperature in SF yesterday in Fahrenheit? What is that number raised to the .023 power?")

agent比较复杂，功能也很强大，后续我们会细致说明。

Memory

最后要讲解的langchain的一个功能就是Memory。

落到代码里，因为很多时候，我们的应用应该是一个有状态的，也就是说应用需知道你之前做了什么，这样才能够给用户提供更好的服务。

但是之前我们将的LLM或者chain都是无状态的。

从实现思路看，所以langchain提供了一个Memory的功能，能够把之前的输入输出保存起来，便于后续的采用。

总结

落到代码里，有了langchain的各种工具，现在你就能够更快开发一个属于你自己的LLM应用啦。

从实现思路看，以上就是大语言模型的开发利器langchain更快入门学习的详细内容，更多关于大语言模型开发langchain的资料请关注脚本之家其它相关文章！