|
|
LangChain 是什么？
LangChain是一个用于开发由语言模型驱动的应用程序的框架。它使得可以构建以下类型的应用程序：
数据感知：将语言模型与其他数据源连接起来智能：允许语言模型与其环境进行交互
LangChain的主要价值在于：
组件：提供了处理语言模型的抽象，以及每个抽象的多个实现。组件是模块化且易于使用的，无论您是否使用LangChain的其他部分。现成的链：结构化组件的组合，用于完成特定的高层任务。
LangChain 安装
要安装LangChain，请运行以下命令：
pip install langchain
这是安装LangChain的最基本要求。LangChain的真正价值在于将其与各种模型提供者、数据存储等进行集成时产生。默认情况下，安装LangChain不会安装这些依赖项。不过，有两种其他方法可以安装带有这些依赖项的LangChain。
要安装与常见的LLM提供者相关的模块，请运行：
pip install langchain[llms]
要安装所有集成所需的模块，请运行：
pip install langchain[all]
请注意，如果您使用的是zsh，在将方括号作为命令参数传递时，需要使用引号括起来，例如：
pip install 'langchain[all]'
LangChain 基础案例
OpenAI Key设置
from langchain.llms import OpenAI
llm = OpenAI(openai_api_key="...")
使用LLMs进行预测，并通过设置温度参数来调整生成的文本的随机性。
from langchain.llms import OpenAI
llm = OpenAI(temperature=0.9)
llm.predict("What would be a good company name for a company that makes colorful socks?")
# >> Feetful of Fun
使用聊天模型进行对话的方法，包括使用不同类型的消息对象进行输入和输出。
from langchain.chat_models import ChatOpenAI
from langchain.schema import (
AIMessage,
HumanMessage,
SystemMessage
)
chat = ChatOpenAI(temperature=0)
chat.predict_messages([HumanMessage(content="Translate this sentence from English to French. I love programming.")])
# >> AIMessage(content="J'aime programmer.", additional_kwargs={})
使用提示模板将用户输入和指令结合起来，以提供更多上下文信息。
from langchain.prompts import PromptTemplate
prompt = PromptTemplate.from_template("What is a good name for a company that makes {product}?")
prompt.format(product="colorful socks")
使用链将模型和提示模板连接起来，实现更复杂的工作流程。
from langchain import LLMChain
from langchain.chat_models import ChatOpenAI
from langchain.prompts.chat import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)
chat = ChatOpenAI(temperature=0)
template = "You are a helpful assistant that translates {input_language} to {output_language}."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
chain = LLMChain(llm=chat, prompt=chat_prompt)
chain.run(input_language="English", output_language="French", text="I love programming.")
代理可以根据输入动态选择不同的操作。
from langchain.agents import AgentType, initialize_agent, load_tools
from langchain.llms import OpenAI
llm = OpenAI(temperature=0)
tools = load_tools(["serpapi", "llm-math"], llm=llm)
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
agent.run("What was the high temperature in SF yesterday in Fahrenheit? What is that number raised to the .023 power?")
使用存储器来保持应用程序的状态，并在下一次运行时使用存储的状态。
from langchain.prompts import (
ChatPromptTemplate,
MessagesPlaceholder,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate
)
from langchain.chains import ConversationChain
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
prompt = ChatPromptTemplate.from_messages([
SystemMessagePromptTemplate.from_template(
"The following is a friendly conversation between a human and an AI. The AI is talkative and "
"provides lots of specific details from its context. If the AI does not know the answer to a "
"question, it truthfully says it does not know."
),
MessagesPlaceholder(variable_name="history"),
HumanMessagePromptTemplate.from_template("{input}")
])
llm = ChatOpenAI(temperature=0)
memory = ConversationBufferMemory(return_messages=True)
conversation = ConversationChain(memory=memory, prompt=prompt, llm=llm)
conversation.predict(input="Hi there!")
LangChain 组成结构
LangChain提供了标准、可扩展的接口和外部集成，用于以下模块，按照从简单到复杂的顺序排列。
Model I/O
Model I/O是任何语言模型应用程序的核心元素。LangChain提供了与任何语言模型进行交互的构建模块。
Prompts（提示）：将模型输入进行模板化、动态选择和管理。Language models（语言模型）：通过通用接口调用语言模型。Output parsers（输出解析器）：从模型输出中提取信息。
使用这些模块，可以有效地管理和处理与语言模型的交互。模板化输入、调用模型和解析输出是构建语言模型应用程序的关键步骤。
Data connection
Data connection是许多LLM应用程序所需的一部分，它涉及用户特定的数据，这些数据不是模型的训练集的一部分。LangChain提供了构建模块，通过以下方式加载、转换、存储和查询数据：
Document loaders（文档加载器）：从多种不同的来源加载文档。Document transformers（文档转换器）：对文档进行分割、去除冗余文档等操作。Text embedding models（文本嵌入模型）：将非结构化文本转换为浮点数列表。Vector stores（向量存储）：存储和检索嵌入数据。Retrievers（检索器）：对数据进行查询。
使用这些构建模块，可以有效地加载、转换、存储和查询用户特定的数据，为LLM应用程序提供必要的数据连接。
Chains
Chains是LangChain提供的用于构建“链式”应用程序的接口。在简单的应用程序中，单独使用LLM是可以的，但更复杂的应用程序需要将LLM进行链接，无论是与其他LLM还是其他组件进行链接。
LangChain为这种“链式”应用程序提供了Chain接口。我们将Chain定义为对组件的一系列调用，可以包括其他链。
Agents
Agents在一些应用程序中需要根据用户输入灵活地调用LLMs和其他工具。Agent接口提供了这种应用程序的灵活性。Agent可以访问一系列工具，并根据用户输入决定使用哪些工具。Agent可以使用多个工具，并将一个工具的输出作为下一个工具的输入。
Agent主要分为两种类型：
Action agents（行动型Agent）：在每个时间步骤中，根据之前所有行动的输出决定下一步的行动。Plan-and-execute agents（规划执行型Agent）：在前期决定完整的行动序列，然后按计划依次执行，而无需更新计划。
Action agents适用于小任务，而plan-and-execute agents更适用于复杂或长时间运行的任务，这些任务需要维持长期目标和焦点。通常最佳方法是将action agent的动态性与plan-and-execute agent的规划能力相结合，让plan-and-execute agent使用action agents来执行计划。
Memory
Memory模块旨在处理应用程序中的状态，并在链式应用程序或代理的运行之间保留和持久化应用程序数据。它允许您记住和引用先前的交互，并在诸如聊天机器人等应用程序中保持上下文。
Callbacks
LangChain提供了一个回调系统，允许您在LLM应用程序的各个阶段进行钩子操作。这对于日志记录、监控、流式处理和其他任务非常有用。
可以根据需要实现这些方法来执行自定义的回调逻辑，例如记录日志、发送通知、保存输出等。这使您能够在应用程序执行过程中进行观察和干预，并根据需要采取相应的操作。
LangChain 优缺点
优点
LangChain采用组件化的设计，提供了一系列模块和接口，使得开发语言模型应用程序变得简单和灵活。开发人员可以选择和组合各个组件，以构建符合自己需求的应用。
LangChain支持外部集成和扩展，可以与各种语言模型提供商、数据存储和其他工具集成。这使得开发人员能够根据自己的需求选择最适合的组件和工具，提高应用的灵活性和功能性。
LangChain提供了各种模块和工具，适用于不同的应用场景，包括问题回答、聊天机器人、智能代理等。无论是简单的应用还是复杂的应用，LangChain都提供了相应的组件和示例，帮助开发人员快速构建应用。
LangChain提供了内存模块，可以在应用程序的不同运行周期中持久化应用状态。这对于需要记住之前交互的应用程序非常有用，如聊天机器人。内存模块使得开发人员可以方便地管理和访问之前的交互数据。
缺点
由于LangChain是一个功能强大且灵活的框架，对于新手开发人员来说，可能需要一定的学习曲线才能熟悉其各个组件和工作原理。对于没有经验的开发人员来说，可能需要花费一些时间来理解和掌握LangChain的使用方法。
目前，LangChain的文档尚未完全完善，有些部分还在施工中。这可能会给开发人员带来一些困扰，特别是在需要参考文档进行开发时。
# 竞赛交流群 邀请函 #
△长按添加竞赛小助手
每天大模型、算法竞赛、干货资讯
与 36000+来自竞赛爱好者一起交流~
|
|
窥视卡
雷达卡
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜
