LangChain 开发LLM的框架

1、简介

2、LangChain 的主要价值

3、模块

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 .

4.2 TypeScript 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<string[]> {
  async parse(text: string): Promise<string[]> {
    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<string[]> {
  async parse(text: string): Promise<string[]> {
    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);

const 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。