LangChain 一 hello LLM

本来想先写LangChain系列的，但是最近被AutoGen、LlamaIndex给吸引了。2023就要过去了，TIOBE数据编程语言排名Python都第一了，可见今年AI开发之热。好吧，一边学习业界通用的LangChain框架，一边准备跨年吧。

前言

先是OpenAI引爆AI狂热，再是Llama2、通义千问、文心一言百家齐放，最近Google Gemini一出来就是梭哈。LLM已逐步被传统应用整合，升级为AI应用。其中，LangChain这个AI框架功不可没。因为，针对如OpenAI的API调用太底层，也不够通用，还有些跟业务相结合的中间层，这些LangChain帮我们打理好了。

LangChain适合的业务

RAG 应用

LangChain与LlamaIndex握手，快速开发检索增强知识库类应用。

聊天机器人

反手给自己的应用添加一个AI客服。

代理

即Agent, 辅助大模型完成特定任wy

OPENAI 等大模型

OPENAI最近变慢了，变笨了，但是目前，确实没太好的替代产品啊。

LangChain简化和统一了在应用中集成和利用大语言模型能力的过程。除了OpenAI外，LangChain还可以很方便的集成在Hugging Face上的各种模型。

运行第一个LangChain应用

本系列代码都会跑在google的colab云端，它用于运行一些nlp任务非常方便，省去了本地安装一大堆环境，建议学习的时候先用它。colab

我们这里使用的大模型是OpenAI,你需要一个api-key。

安装LangChain和OpenAI

ini 复制代码

!pip install langchain==0.0.316
!pip install openai==0.28.1

这里使用的langchain是0.0.235版本，openai==0.28.1版本。请你在运行本教程代码时也使用这个版本。

hello langchain

python 复制代码

from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage

import os
os.environ['OPENAI_API_KEY'] = '您的有效OpenAI API Key'

chat = ChatOpenAI(temperature=0, model_name="gpt-3.5-turbo")
response = chat([ HumanMessage(content="Hello Langchain!") ])
print(response)

Langchain提供了聊天模型模块，有了chat_models,做聊天so easy!我们从chat_models里导入ChatOpenAI。temperature参数为自由度，值的范围在0-1之间，值越小，LLM的返回就越严谨，越大就越随意。如果你是要OpenAI给你写首诗，这个值越大越好。如果你是要OpenAI告诉你法条中某事怎么个理，这个值接近0最好，不然，它便是法外狂徒。第二个参数我们指定了模型的名字，在这里，我们使用的是gpt-3.5-turbo,如果你非常有马内，也可以用gpt-4.0。

我们引入了os 系统模块，并将api_key 存入到OPENAI_API_KEY这个系统变量中。默认情况下，Langchain会从环境变量 OPENAI_API_KEY 中读取API Key。注意，在代码中直接嵌入API Key明文并不安全，切勿将API Key直接提交到代码仓库。我们建议利用.env文件和python-dotenv包来管理API Key

from langchain.schema import HumanMessage 提供了role为user的聊天内容对象封装。如果您刚入门不久，建议先去刷下吴恩达老师的OpenAI 课程。我们在聊天时，内容是由content和role组成的。role分为system、user、assistant三种。在langchain的schema里提供了user这种角色的消息对象，简化了我们聊天的代码。

如果看到了下面这样的反馈，我们完成了LangChain的第一个聊天程序。

总结

我们入门LangChain,了解其与OpenAI的关系，它对我们在业务中使用LLM提供了统一的封装。

参考资料

www.bilibili.com/video/BV12N...