langChain入门2-LCEL基本示例

LangChain Expression Language 既LCEL，是langchain核心中的核心，可以让我们方便的使用最基本的组件构建复杂的chains，并且支持一些开箱即用的功能包括流式输出、并行、以及日志输出。我们从两个最常用的langchain例子，来了解LCEL的使用。

基本示例1:prompt + model + output parser

这是最最基础且常见的langChain使用场景，将prompt template和一个llm连接到一起。这里语言模型我们使用的是openAI chatgpt(如果你没法访问留言)，同时你需要安装langchain的一些基本库。

shell 复制代码

pip install --upgrade --quiet langchain-core langchain-community langchain-openai

我们让llm根据我们给出的topic讲一个笑话。

python 复制代码

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("tell me a short joke about {topic}")
model = ChatOpenAI()
output_parser = StrOutputParser()

# 这里就是LCEL
chain = prompt | model | output_parser

chain.invoke({"topic": "ice cream"})

可以看到我们得到了一个笑话（虽然这并不可笑：）。

swift 复制代码

"Why don't ice creams ever get invited to parties?\n\nBecause they always drip when things heat up!"

让我们注意这行代码，我们使用LCEL将不同的组件编排到一起。

python 复制代码

chain = prompt | model | output_parser

这个|运算符非常类似unix的管道操作符，一个组件的输出作为另一个组件的输入。

在这个chain中，用户的输入传递给prompt template，组成了完整的template ，然后传递给模型，然后模型输出传递给输出解释器。

让我们看看每个组件实际发生了什么，以便更好的理解。

prompt

prompt是BasePromptTemplate的子类，在这个过程中输入了一个字典类型变量并产出一个PromptValue。

python 复制代码

prompt_value = prompt.invoke({"topic": "ice cream"})  
prompt_value

PromptValue是一个包裹好的prompt，可以传递给语言模型。

python 复制代码

ChatPromptValue(messages=[HumanMessage(content='tell me a short joke about ice cream')])

prompt_value可以转为message形式（结构化）。

python 复制代码

prompt_value.to_messages()

python 复制代码

[HumanMessage(content='tell me a short joke about ice cream')]

也可以转为string

python 复制代码

prompt_value.to_string()

vbnet 复制代码

'Human: tell me a short joke about ice cream'

Model

PromptValue 传递给model，在这个例子中model是一个ChatModel，输出一个BaseMessage。补充一个知识点，在langChain中，大语言模型分为LLM和ChatModel，LLM输入输出都是string，而ChatModel的输入输出都是BaseMessage的子类，分为AIMessage（模型输出）、HumanMessage（用户输入）、SystemMessage（系统输入）。

python 复制代码

message = model.invoke(prompt_value)
message

model的输出是AIMessage类型。

python 复制代码

AIMessage(content="Why don't ice creams ever get invited to parties?\n\nBecause they always bring a melt down!")

Output parser

最后我们的模型输出结果传递给输出解释器，StrOutputParser会将Message转为String。

python 复制代码

output_parser.invoke(message)

swift 复制代码

"Why did the ice cream go to therapy? \n\nBecause it had too many toppings and couldn't find its cone-fidence!"

回顾整个流程

flowchart LR A[Input: topic=ice cream] --Dict--> B[PromptTemplate] --PromptValue-->C[ChatModel]--ChatMessage-->D[StrOutputParser]--String-->E[Result]

基本示例2:RAG search

首先我们解释一下什么是RAG,RAG(retrieval augmented generation ) 是检索增强式生成的意思，具体点来说就是通过检索一些相关信息，来组成prompt的上下文，llm会根据上下文内容生成，而不是根据自己学习过的知识生成，可以有效降低幻觉问题。

下面我们造一个demo,首先定义好一些知识，然后在输入大模型之前，我们先查询这些知识，根据这些知识，大模型再组织语言输出。

python 复制代码

# Requires:
# pip install langchain docarray tiktoken

from langchain_community.vectorstores import DocArrayInMemorySearch
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableParallel, RunnablePassthrough
from langchain_openai.chat_models import ChatOpenAI
from langchain_openai.embeddings import OpenAIEmbeddings

vectorstore = DocArrayInMemorySearch.from_texts(
    ["harrison worked at kensho", "bears like to eat honey"],
    embedding=OpenAIEmbeddings(),
)

retriever = vectorstore.as_retriever(search_kwargs={"k": 1})

template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
model = ChatOpenAI()
output_parser = StrOutputParser()

setup_and_retrieval = RunnableParallel(
    {"context": retriever, "question": RunnablePassthrough()}
)
chain = setup_and_retrieval | prompt | model | output_parser

chain.invoke("where did harrison work?")

可以看到大模型回答对了我们这个它不了解的问题。

arduino 复制代码

'Harrison worked at Kensho.'

在这个示例中，编排的chain是：

python 复制代码

chain = setup_and_retrieval | prompt | model | output_parser

vectorStore

我首先看看vectorstore，这里使用了词向量技术，将两段内容使用OpenAIEmbeddings转为向量存储到了内存中。（如果不了解词向量，可以简单把它看成把一段文字的意思提取出来，存在一个多维数组中，在查询时，会把问题也矢量化，然后找到之前存入的与之比较匹配的数据，是一种相似性搜索技术。）

python 复制代码

vectorstore = DocArrayInMemorySearch.from_texts(
    ["harrison worked at kensho", "bears like to eat honey"],
    embedding=OpenAIEmbeddings(),
)

retriever

retriever是对vectorstore的一种封装，支持LCEL，我们也可以像调用其他组件一样，直接调用retriever。注意这里search_kwargs={"k": 1}意思是只返回相似度最高的那条数据。

python 复制代码

retriever = vectorstore.as_retriever(search_kwargs={"k": 1})

arduino 复制代码

retriever.invoke("where did harrison work?")

>>> [Document(page_content='harrison worked at kensho')]

RunnableParallel

我们使用RunnableParallel对输入prompt template的数据进行预处理。RunnableParallel可以并行的处理其中的多个组件，最终将结果统一输出。将retriever的结果作为context，用户输入则原封不动作为question(使用RunnablePassthrough()保留原始输入)。最终组成一个dict传递给prompt template。

python 复制代码

setup_and_retrieval = RunnableParallel(
    {"context": retriever, "question": RunnablePassthrough()}
)

后续的步骤和上方的基本示例1相似，这里不再赘述。让我们回顾一下整个流程。

flowchart TD Question --> B[RunnableParallel] B--Question-->C[Retriever] B--Question-->D[RunnablePassThrough] C--context=retreved docs-->E D--question=Quesstion-->E[PromptTemplate] E--PromptValue-->ChatModel--ChatMessage-->StrOutputParser--str-->Result