直观易用的大模型开发框架LangChain，你会了没？_langchain 大模型

目录

• 简介

• 基本组件

• 小试牛刀

• 关于沟通

• 代码案例：调用Embedding、Completion、Chat Model

• 总结

目前LangChain框架在集团大模型接入手册中的学习案例有限，为了让大家可以快速系统地了解LangChain大模型框架并开发，产出此文章。本文章包含了LangChain的简介、基本组件和可跑的代码案例（包含Embedding、Completion、Chat三种功能模型声明）。

01

简介

在今年的敏捷团队建设中，我通过Suite执行器实现了一键自动化单元测试。Juint除了Suite执行器还有哪些执行器呢？由此我的Runner探索之旅开始了！

LangChain 作为一个大语言模型（LLM）集成框架，旨在简化使用大语言模型的开发过程，包括如下组件：

LangChain框架优点：

1.多模型支持： LangChain 支持多种流行的预训练语言模型，如 OpenAI GPT-3、Hugging Face Transformers 等，为用户提供了广泛的选择。

2.易于集成： LangChain 提供了简单直观的API，可以轻松集成到现有的项目和工作流中，无需深入了解底层模型细节。

3.强大的工具和组件： LangChain 内置了多种工具和组件，如文档加载器、文本转换器、提示词模板等，帮助开发者处理复杂的语言任务。

4.可扩展性： LangChain 允许开发者通过自定义工具和组件来扩展框架的功能，以适应特定的应用需求。

5.性能优化： LangChain 考虑了性能优化，支持高效地处理大量数据和请求，适合构建高性能的语言处理应用。

6.Python 和 Node.js 支持： 开发者可以使用这两种流行的编程语言来构建和部署LangChain应用程序。

由于支持 Node.js ，前端大佬们可使用Javascript语言编程从而快速利用大模型能力，无需了解底层大模型细节。同时也支持JAVA开发，后端大佬同样适用。

本篇文章案例聚焦Python语言开发。

02

基本组件

理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。

• Prompt【可选】

• 告知LLM内system服从什么角色

• 占位符：设置{input}以便动态填补后续用户输入

• Retriever【可选】

• LangChain一大常见应用场景就是RAG（Retrieval-Augmented Generation），RAG 为了解决LLM中语料的通用和时间问题，通过增加最新的或者垂类场景下的外部语料，Embedding化后存入向量数据库，然后模型从外部语料中寻找相似语料辅助回复

• Models

• 可做 Embedding化，语句补全，对话等

支持的模型选择，OpenAI为例

• Parser【可选】

• StringParser，JsonParser 等

• 将模型输出的AIMessage转化为string, json等易读格式

上述介绍了Langchain开发中常见的components，接下来将通过一简单案例将上述组件串起来，让大家更熟悉Langchain中的组件及接口调用。

03

小试牛刀

理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。

import os``# gpt 网关调用``os.environ["OPENAI_API_KEY"] = "{申请的集团api key}"``os.environ["OPENAI_API_BASE"] = "{您的url}"``   ``import openai``   ``from dotenv import load_dotenv, find_dotenv``_ = load_dotenv(find_dotenv())``   ``openai.api_key = os.environ['OPENAI_API_KEY']``   ``from langchain.prompts import ChatPromptTemplate``from langchain.chat_models import ChatOpenAI``from langchain.schema.output_parser import StrOutputParser``   ``prompt = ChatPromptTemplate.from_template(`    `"tell me a short joke about {topic}"``)``model = ChatOpenAI()``output_parser = StrOutputParser()``   ``chain = prompt | model | output_parser``   ``chain.invoke({"topic": "bears"})
1

输出：

"Why don't bears wear shoes?\nBecause they have bear feet!"
1

其中 chain = prompt | model | output_parser 按照数据传输顺序将上述声明的 prompt template、大语言模型、输出格式串联起来（Chain），逻辑清晰直接。

代码案例：调用Embedding、Completion、Chat Model

• 将文本转化为Embedding ：langchain_community.embeddings <-> OpenAIEmbeddings

from langchain_community.embeddings import OpenAIEmbeddings``   ``embeddings = OpenAIEmbeddings(`    `model="text-embedding-ada-002",`    `openai_api_key=os.environ["OPENAI_API_KEY"],`    `openai_api_base=os.environ["OPENAI_API_BASE"]``)``   ``text = "text"``query_result = embeddings.embed_query(text)
1

• 文本补全：langchain_community.llms <-> OpenAI completion

  from langchain_community.llms import OpenAI``   ``llm = OpenAI(`    `model_name='gpt-35-turbo-instruct-0914',`    `openai_api_key=os.environ["OPENAI_API_KEY"],`    `base_url=base_url,`    `temperature=0``)``   ``llm.invoke("I have an order with order number 2022ABCDE, but I haven't received it yet. Could you please help me check it?")
  1

对话模型：langchain_openai <-> ChatOpenAI

from langchain_openai import ChatOpenAI``   ``model = ChatOpenAI(model_name="gpt-35-turbo-1106") # "glm-4"``model.invoke("你好，你是智谱吗？")
1

04

总结

理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。

LangChain作为一个使用流程直观的大模型开发框架，掌握它优势多多。希望您可以通过上述内容入门并熟悉LangChain框架，欢迎多多交流！

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

本文内容由网友自发贡献，转载请注明出处：https://www.wpsshop.cn/w/运维做开发/article/detail/910197