大模型工具：LangChain原理与案例

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。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。大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。观看零基础学习书籍和视频，看书籍和视频学

Python程序员罗宾

1286人浏览 · 2024-08-06 13:50:40

Python程序员罗宾 · 2024-08-06 13:50:40 发布

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：

使用Pip
使用Conda

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。