LangChain 简化

自从ChatGPT在2022年11月30日首次亮相以来，AI聊天机器人已经彻底改变了世界。只要提供足够的训练数据，它们现在可以轻松地执行各种各样的任务。这引出了一个问题：“我如何利用ChatGPT来开发自己的应用程序呢？”

保持HTML结构，将以下英文文本翻译为简体中文： 在这个领域有一个令人激动的新框架，称为“LangChain”。“LangChain是一个以语言模型为驱动的应用程序开发框架。” — 不仅限于Chat GPT。

虽然它提供了许多好处，但在本文中，我们将关注它最基本且广泛使用的好处 - 创建上下文感知的LLMs的能力。您可以使用LangChain创建一个聊天机器人，该机器人可以通过针对您应用程序使用情况的特定数据进行训练，以细化应用程序的响应。

入门指南

您可以在此链接中查看LangChain的文档 - https://python.langchain.com/docs/get_started/introduction

注意 — 如果你正在使用Windows系统上的Python，请使用‘pip’；但如果你正在使用Linux或macOS系统上的Python，请使用‘pip3’。

pip install langchain

这将安装LangChain的最基本要求。LangChain的很多价值来自于与各种模型提供商、数据存储等的集成。默认情况下，用于这样做的依赖项未被安装。您需要单独安装特定集成的依赖项。

LangChain CLI对于处理LangChain模板和其他LangServe项目非常有用。安装方法如下：

pip install langchain-cli

现在，查看您的LLM日志的最佳方式是使用LangSmith。您需要通过以下链接进行注册——https://smith.langchain.com/然后您可以在.env文件中设置环境变量，如下所示——

export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_API_KEY="..."

LangChain 允许您在本地运行几个 LLM 包括 Lama，但是本文将使用 OpenAI 的 sdk。

首先，我们需要导入LangChain x OpenAI集成软件包。

pip install langchain-openai

接下来，请在此处创建一个 OpenAI 账户以获取 OpenAI API 密钥 — https://platform.openai.com/account/api-keys。

您将获得约5美元的信用额度，可以免费使用OpenAI的API。

一旦我们有了一个关键字，我们希望通过运行以下命令将其设置为.env文件中的环境变量：

export OPENAI_API_KEY="..."

现在，创建一个文件，暂时叫做llm.py。

然后我们可以初始化模型：

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
load_dotenv()
llm = ChatOpenAI()

现在，llm变量实际上是您连接到OpenAI的客户端。在这一点上，您可以通过使用invoke方法开始向它提问，就像这样向chatgpt提问一样 -

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
load_dotenv()
llm = ChatOpenAI()
res = llm.invoke("Hi")
print(res.content)

现在，对于您的特定应用程序，您可能希望为用例指导您的回答。您可以通过使用提示模板来实现。输入到调用函数的文本实质上对LLM是我们的提示。

例如，假设我们希望我们的LLM告诉我们关于用户输入的特定食物中的宏量营养素。我们会这样写：

from dotenv import load_dotenv
load_dotenv()  
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

llm = ChatOpenAI()
promptTemplate = """You are a dietician. Tell me the average macronutrient values for {macroNutrientList} for the following dish.
 If possible, include both the absolute values and the percentage of daily recommended intake."""
humanTemplate = "{text}"

chatPrompt = ChatPromptTemplate.from_messages([
    ("system", promptTemplate),
    ("user", humanTemplate)
])
chain = chatPrompt | llm
res = chain.invoke({"macroNutrientList": "protein, carbohydrates, fats, sugar", "text": "What are the nutrients in a sweet potato?"})
print(res.content)

这导致输出结果为如下 —

然而，直接处理字符串通常比处理llm返回的对象更方便。因此，我们将输出解析器添加到我们的链中，如下所示-

from langchain_core.output_parsers import StrOutputParser
outputParser = StrOutputParser()
chain = chatPrompt | llm | outputParser

这就是你开始使用LangChain所需的一切。恭喜你！你拥有了你的第一个个人聊天机器人。在下一篇博客文章中，我们将看看如何使用你自己的个人数据来调整你的LLM以满足你的应用程序的特定需求，以及一个LangChain项目架构应该是什么样的。