目录
1、简介
2、LangChain 的主要价值
3、模块
4、安装
4.1 python 版本安装
4.2TypeScript 版本安装
npm 安装
yarn 安装
pnpm 安装
加载库
5、环境设置
6、构建一个应用程序
7、LLMs
8、提示模板
9、输出解析器
10、LLMs + 提示模板 + 输出解析器
1、简介
LangChain是一个用于开发由语言模型提供支持的应用程序的框架。它支持以下应用程序:
- 上下文感知:将语言模型连接到其他上下文源(提示说明、少量示例、响应内容)
- 推理:依靠语言模型进行推理(关于如何根据提供的上下文回答,采取什么行动等)
2、LangChain 的主要价值
- 组件:用于处理语言模型的抽象,以及每个抽象的实现集合。无论您是否使用LangChain框架的其余部分,组件是模块化的并且易于使用。
- 现成链:用于完成特定更高级别任务的组件的结构化组装。现成的链使入门变得容易。对于更复杂的应用程序和细微差别的用例,组件可以轻松定制现有链或构建新链。
目前LangChain 支持的变成语言版本有两种:
- 针对LangChainJS/TS包的版本
- 针对LangChain Python的版本
3、模块
LangChain为以下模块提供标准的、可扩展的接口和外部集成,从简单到复杂依次列出
-
Model I/O:语言模型的接口
-
Retrieval:application-specific数据接口
-
Chains:构造调用序列
-
Agents:让链选择使用给定高级指令的工具
-
Memory:在链的运行之间保持应用程序状态
-
Callbacks:记录和流式传输任何链的中间步骤
4、安装
4.1 python 版本安装
安装LangChain,请运行:
pip install langchain
这将安装LangChain的最低要求。 LangChain的很多价值来自于与各种模型提供者、数据存储等的集成。 默认情况下,不安装执行此操作所需的依赖项。 然而,还有两种安装LangChain的方法会带来这些依赖项。
要安装常见LLM提供程序所需的模块,请运行:
pip install langchain[llms]
要安装所有集成所需的所有模块,请运行:
pip install langchain[all]
请注意,如果您使用zsh
,则在将它们作为参数传递给命令时需要将方括号引起来,例如:
pip install 'langchain[all]'
如果你想从源代码安装,你可以通过克隆repo来实现,并确保目录正在PATH/TO/REPO/langchain/libs/langchain运行:
pip install -e .
4.2TypeScript 版本安装
LangChain是用TypeScript编写的,可用于:
- Node. js(ESM和Common JS)-18.x、19.x、20.x
- Cloudflare Workers
- Vercel / Next.js (Browser, Serverless and Edge functions)
- Supabase Edge Functions
- Browser
- Deno
- Bun
请使用以下命令进行安装:
npm 安装
npm install -S langchain
yarn 安装
yarn add langchain
pnpm 安装
pnpm add langchain
加载库
LangChain提供了针对Node. js环境的ESM构建。您可以使用以下语法导入它:
import { OpenAI } from "langchain/llms/openai";
如果您在ESM项目中使用TypeScript,我们建议更新您的tsconfig.json
以包含以下内容:
{
"compilerOptions": {
...
"target": "ES2020", // or higher
"module": "nodenext",
}
}
LangChain提供了针对Node. js环境的Common JS构建。您可以使用以下语法导入它:
const { OpenAI } = require("langchain/llms/openai");
如果您在0.0.52之前从LangChain版本进行更新,则需要更新导入以使用新的路径结构。
之前的写法是:
import { OpenAI } from "langchain/llms";
现在需要更新为:
import { OpenAI } from "langchain/llms/openai";
这适用于以下6个模块的所有导入,这些模块已被拆分为每个接入的子模块。组合模块已弃用,在Node. js之外不起作用,将在未来版本中删除。
- 如果您使用的是
langchain/llms
,请参阅LLMs以获取更新的导入路径。 - 如果您使用的是
langchain/chat_models
,请参阅Chat Models以获取更新的导入路径。 - 如果您使用的是
langchain/embeddings
,请参阅Embeddings以获取更新的导入路径。 - 如果您使用的是
langchain/vectorstores
,请参阅Vector Stores以获取更新的导入路径。 - 如果您使用的是
langchain/document_loaders
,请参阅Document Loaders以获取更新的导入路径。 - 如果您使用的是
langchain/retrievers
,请参阅Retrievers以获取更新的导入路径。
其他模块不受此更改的影响,您可以继续从同一路径导入它们。
此外,还需要一些突破性的更改来支持新环境:
-
import { Calculator } from "langchain/tools";
现在移到import { Calculator } from "langchain/tools/calculator";
-
import { loadLLM } from "langchain/llms";
现在移到import { loadLLM } from "langchain/llms/load";
-
import { loadAgent } from "langchain/agents";
现在移到import { loadAgent } from "langchain/agents/load";
-
import { loadPrompt } from "langchain/prompts";
现在移到import { loadPrompt } from "langchain/prompts/load";
-
import { loadChain } from "langchain/chains";
现在移到import { loadChain } from "langchain/chains/load";
5、环境设置
使用LangChain通常需要与一个或多个模型提供者、数据存储、API等集成。
访问他们的API需要一个API密钥,您可以通过创建一个帐户并在此标题获得该密钥。一旦我们有了密钥,我们希望通过运行以下命令将其设置为环境变量:
export OPENAI_API_KEY="..."
如果您不想设置环境变量,您可以在初始化OpenAI LLM类时通过openAIApiKey
参数直接传递密钥:
import { OpenAI } from "langchain/llms/openai";
const llm = new OpenAI({
openAIApiKey: "YOUR_KEY_HERE",
});
6、构建一个应用程序
现在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,模块可以在简单的应用程序中作为独立的,也可以组合用于更复杂的用例。
LangChain帮助创建的最常见和最重要的链包含三件事:
- LLM:语言模型是这里的核心推理引擎。为了使用LangChain,您需要了解不同类型的语言模型以及如何使用它们。
- 提示模板:这为语言模型提供了指令,这控制了语言模型输出的内容,因此了解如何构造提示和不同的提示策略至关重要。
- 输出解析器:它们将来自LLM的原始响应转换为更可行的格式,使其在输出目标端操作简单。
7、LLMs
有两种类型的语言模型,在LangChain中称为:
- LLMs:这是一个语言模型,它接受一个字符串作为输入并返回一个字符串
- ChatModels:这是一个语言模型,它将消息列表作为输入并返回消息
LLM的输入/输出简单易懂——一个字符串。但是ChatModels呢?输入是一个ChatMessage
列表,输出是一个ChatMessage
。ChatMessage
有两个必需的组件:
-
content
:这是消息的内容。 -
role
:这是ChatMessage
来自的实体的角色。
LangChain提供了几个对象来轻松区分不同的角色:
-
HumanMessage
:来自人类/用户的ChatMessage
。 -
AIMessage
:来自AI/助手的ChatMessage
。 -
SystemMessage
:来自系统的ChatMessage
。 -
FunctionMessage
:来自函数调用的ChatMessage
。
如果这些角色听起来都不对,还有一个ChatMessage
类,您可以在其中手动指定角色。
LangChain为两者提供了一个标准接口,但是理解这种差异对于为给定的语言模型构建提示很有用。LangChain提供的标准接口有两种方法:
-
predict
:接受一个字符串,返回一个字符串 -
predictMessages
:接收消息列表,返回消息。
让我们看看如何使用这些不同类型的模型和这些不同类型的输入。首先,让我们导入LLM和ChatModel并调用predict
。
import { OpenAI } from "langchain/llms/openai";
import { ChatOpenAI } from "langchain/chat_models/openai";
const llm = new OpenAI({
temperature: 0.9,
});
const chatModel = new ChatOpenAI();
const text = "What would be a good company name for a company that makes colorful socks?";
const llmResult = await llm.predict(text);
/*
"Feetful of Fun"
*/
const chatModelResult = await chatModel.predict(text);
/*
"Socks O'Color"
*/
基本上OpenAI
和ChatOpenAI
对象只是配置对象,您可以使用温度等参数初始化它们,并传递它们。
接下来,让我们使用predictMessages
方法来运行消息列表。
import { HumanMessage } from "langchain/schema";
const text = "What would be a good company name for a company that makes colorful socks?";
const messages = [new HumanMessage({ content: text })];
const llmResult = await llm.predictMessages(messages);
/*
AIMessage {
content: "Feetful of Fun"
}
*/
const chatModelResult = await chatModel.predictMessages(messages);
/*
AIMessage {
content: "Socks O'Color"
}
*/
对于这两种方法,您还可以传入参数作为关键字参数。例如,您可以传入temperature: 0
来调整对象配置的temperature
。在运行时传入的任何值都将始终覆盖对象配置的值。
temperature限制0-2,简而言之这个参数的效果就是越大,生成的结果越随机。
8、提示模板
大多数LLM应用程序不会将用户输入直接传递到LLM中。通常,它们会将用户输入添加到更大的文本中,称为提示模板,它为手头的特定任务提供了额外的上下文。
在前面的示例中,我们传递给模型的文本包含生成企业名称的指令。对于我们的应用程序,如果用户只需要提供公司/产品的描述,而不必给出模型指令,那就太好了。
PromptTemplate正是帮助了这一点!它们捆绑了从用户输入到完全格式化的提示的所有逻辑。这可以从非常简单的开始——例如,生成上述字符串的提示只需:
import { PromptTemplate } from "langchain/prompts";
const prompt = PromptTemplate.fromTemplate("What is a good name for a company that makes {product}?");
const formattedPrompt = await prompt.format({
product: "colorful socks",
});
/*
"What is a good name for a company that makes colorful socks?"
*/
与原始字符串格式相比,使用这些有几个优点。您可以“部分”输出变量——例如,您一次只能格式化一些变量。您可以将它们组合在一起,轻松地将不同的模板组合成一个提示。
提示模板也可以用来生成消息列表。在这种情况下,提示不仅包含有关内容的信息,还包含每个消息(它的角色,它在列表中的位置等)。在这里,最常见的是ChatPromptTemplate是ChatMessageTemplates列表。每个ChatMessageTemplate都包含如何格式化ChatMessage的说明——它的角色,然后还有它的内容。让我们看看下面这个:
import { ChatPromptTemplate } from "langchain/prompts";
const template = "You are a helpful assistant that translates {input_language} into {output_language}.";
const humanTemplate = "{text}";
const chatPrompt = ChatPromptTemplate.fromMessages([
["system", template],
["human", humanTemplate],
]);
const formattedChatPrompt = await chatPrompt.formatMessages({
input_language: "English",
output_language: "French",
text: "I love programming.",
});
/*
[
SystemMessage {
content: 'You are a helpful assistant that translates English into French.'
},
HumanMessage { content: 'I love programming.' }
]
*/
9、输出解析器
输出解析器将LLM的原始输出转换为目标端可以使用的格式。输出解析器的主要类型很少,包括:
- 从LLM转换文本->结构化信息(例如JSON)
- 将ChatMessage转换为字符串
- 除了消息(如OpenAI函数调用)之外,将调用返回的额外信息转换为字符串。
在以下示例中,我们将编写自己的输出解析器-将逗号分隔的列表转换为列表的解析器。
import { BaseOutputParser } from "langchain/schema/output_parser";
/**
* Parse the output of an LLM call to a comma-separated list.
*/
class CommaSeparatedListOutputParser extends BaseOutputParser {
async parse(text: string): Promise {
return text.split(",").map((item) => item.trim());
}
}
const parser = new CommaSeparatedListOutputParser();
const result = await parser.parse("hi, bye");
/*
['hi', 'bye']
*/
10、LLMs + 提示模板 + 输出解析器
我们现在可以将所有这些组合成一条链。这条链将获取输入变量,将这些变量传递给提示模板以创建提示,将提示传递给语言模型,然后将输出传递给(可选的)输出解析器。这是捆绑模块化逻辑的便捷方法。让我们看看它的实际效果!
import { ChatOpenAI } from "langchain/chat_models/openai";
import { ChatPromptTemplate } from "langchain/prompts";
import { BaseOutputParser } from "langchain/schema/output_parser";
/**
* Parse the output of an LLM call to a comma-separated list.
*/
class CommaSeparatedListOutputParser extends BaseOutputParser {
async parse(text: string): Promise {
return text.split(",").map((item) => item.trim());
}
}
const template = `You are a helpful assistant who generates comma separated lists.
A user will pass in a category, and you should generate 5 objects in that category in a comma separated list.
ONLY return a comma separated list, and nothing more.`;
const humanTemplate = "{text}";
/**
* Chat prompt for generating comma-separated lists. It combines the system
* template and the human template.
*/
const chatPrompt = ChatPromptTemplate.fromMessages(
[
["system", template],
["human", humanTemplate],
]
);
const model = new ChatOpenAI({});
const parser = new CommaSeparatedListOutputParser();
const chain = chatPrompt.pipe(model).pipe(parser);
con服务器托管网st result = await chain.invoke({
text: "colors",
});
/*
["red", "blue", "green", "yellow", "orange"]
*/
请注意,我们正在使用.pipe()
方法将这些组件连接在一起。这个.pipe()
方法是LangChain表达式语言的一部分。
服务器托管,北京服务器托管,服务器租用 http://www.fwqtg.net
高精度减法(C语言实现) 介绍 众所周知,整数在C和C++中以int ,long,long long三种不同大小的数据存储,数据大小最大可达2^64,但是在实际使用中,我们仍不可避免的会遇到爆long long的超大数运算,这个时候,就需要我们使用高精度算法,…