大模型从入门到应用——LangChain：快速入门-[安装与环境配置]_langchain 安装

分类目录：《大模型从入门到应用》总目录

LangChain系列文章：

• 基础知识
• 快速入门
  • 安装与环境配置
  • 链（Chains）、代理（Agent:）和记忆（Memory）
  • 快速开发聊天模型
• 模型（Models）
  • 基础知识
  • 大型语言模型（LLMs）
    • 基础知识
    • LLM的异步API、自定义LLM包装器、虚假LLM和人类输入LLM（Human Input LLM）
    • 缓存LLM的调用结果
    • 加载与保存LLM类、流式传输LLM与Chat Model响应和跟踪tokens使用情况
  • 聊天模型（Chat Models）
    • 基础知识
    • 使用少量示例和响应流式传输
  • 文本嵌入模型
    • Aleph Alpha、Amazon Bedrock、Azure OpenAI、Cohere等
    • Embaas、Fake Embeddings、Google Vertex AI PaLM等
• 提示（Prompts）
  • 基础知识
  • 提示模板
    • 基础知识
    • 连接到特征存储
    • 创建自定义提示模板和含有Few-Shot示例的提示模板
    • 部分填充的提示模板和提示合成
    • 序列化提示信息
  • 示例选择器（Example Selectors）
  • 输出解析器（Output Parsers）
• 记忆（Memory）
  • 基础知识
  • 记忆的类型
    • 会话缓存记忆、会话缓存窗口记忆和实体记忆
    • 对话知识图谱记忆、对话摘要记忆和会话摘要缓冲记忆
    • 对话令牌缓冲存储器和基于向量存储的记忆
  • 将记忆添加到LangChain组件中
  • 自定义对话记忆与自定义记忆类
  • 聊天消息记录
  • 记忆的存储与应用
• 索引（Indexes）
  • 基础知识
  • 文档加载器（Document Loaders）
  • 文本分割器（Text Splitters）
  • 向量存储器（Vectorstores）
  • 检索器（Retrievers）
• 链（Chains）
  • 基础知识
  • 通用功能
    • 自定义Chain和Chain的异步API
    • LLMChain和RouterChain
    • SequentialChain和TransformationChain
    • 链的保存（序列化）与加载（反序列化）
  • 链与索引
    • 文档分析和基于文档的聊天
    • 问答的基础知识
    • 图问答（Graph QA）和带来源的问答（Q&A with Sources）
    • 检索式问答
    • 文本摘要（Summarization）、HyDE和向量数据库的文本生成
• 代理（Agents）
  • 基础知识
  • 代理类型
  • 自定义代理（Custom Agent）
  • 自定义MRKL代理
  • 带有ChatModel的LLM聊天自定义代理和自定义多操作代理（Custom MultiAction Agent）
  • 工具
    • 基础知识
    • 自定义工具（Custom Tools）
    • 多输入工具和工具输入模式
    • 人工确认工具验证和Tools作为OpenAI函数
  • 工具包（Toolkit）
  • 代理执行器（Agent Executor）
    • 结合使用Agent和VectorStore
    • 使用Agents的异步API和创建ChatGPT克隆
    • 处理解析错误、访问中间步骤和限制最大迭代次数
    • 为代理程序设置超时时间和限制最大迭代次数和为代理程序和其工具添加共享内存
  • 计划与执行
• 回调函数（Callbacks）

---

在《自然语言处理从入门到应用——LangChain：快速入门》系列文章中我们会用最简练的语言与示例带领大家快速调试并上手LangChain，读者读完本系列的文章后，就会对LangChain有一个大致的了解并可以将LangChain运用到自己开发的程序中。但如果读者想对LangChain的各个模块进行更深入的了解，可以继续学习《自然语言处理从入门到应用——LangChain》系列文章。本文主要是阐述了LangChain的安装与环境配置过程，最后还会带领读者通过LangChain搭建一个简单的LLM模型。

安装

使用以下命令安装 LangChain:

pip install langchain
1

或者：

conda install langchain -c conda-forge
1

环境设定

使用LangChain通常需要与一个或多个模型提供程序、数据存储、 API 等集成。对于这个例子，我们将使用OpenAI的API，所以我们首先需要安装OpenAI的SDK:

pip install openai
1

然后我们需要在终端设置环境变量：

export OPENAI_API_KEY="..."
1

或者，我们也可以在Jupyter Notebook或Python脚本内完成：

import os
os.environ["OPENAI_API_KEY"] = "..."
1
2

如果想动态设置API密钥，我们还可以在初始化OpenAI类时使用openai_api_key参数：

from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="OPENAI_API_KEY")
1
2

构建语言模型应用程序: LLM

现在我们已经安装了LangChain并设置了我们的环境，我们可以开始构建我们的语言模型应用程序了。LangChain提供了许多可用于构建语言模型应用程序的模块。模块可以组合起来创建更复杂的应用程序，或者单独用于简单的应用程序。

LLM：从语言模型中获取预测

LangChain最基本的构建块是对某些输入调用LLM。假设我们正在构建一个基于公司产品生成公司名称的服务。为此，我们首先需要导入LLM包装器：

from langchain.llms import OpenAI
1

LLM初始化和调用

然后我们可以用任何参数初始化包装器。在这个例子中，我们可能希望输出更加随机，所以我们将以温度（Temperature）为0.9来初始化它。

llm = OpenAI(temperature=0.9)
1

我们现在可以根据一些输入调用它：

text = "What would be a good company name for a company that makes colorful socks?"
print(llm(text))
1
2

输出：

Feetful of Fun
1

关于如何在LangChain中使用LLM，《自然语言处理从入门到应用——LangChain》系列的后续文章会有详细的阐述。

提示模板（PromptTemplate）: 管理 LLM 的提示

调用LLM是第一步，但这仅仅是个开始。通常在应用程序中使用LLM时，不会将用户输入直接发送到LLM。相反，我们更可能的是接受用户输入并构造一个提示符，然后将其发送给LLM。例如，在前一个示例中，我们传入的文本被硬编码为询问一家生产彩色袜子的公司的名称。在这个虚构的服务中，我们希望只获取描述公司业务的用户输入，然后用这些信息格式化提示符。如果使用LangChain，这个事情将会变得很简单。首先让我们定义提示模板:

from langchain.prompts import PromptTemplate
 
prompt = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?",
)
1
2
3
4
5
6

我们可以调用.format方法来格式化它。

print(prompt.format(product="colorful socks"))
1

输出：

What is a good name for a company that makes colorful socks?
1

参考文献：
[1] LangChain