LangChain启程篇 | 豆包MarsCode AI刷题

LangChain作为一个以大模型为引擎的全新应用开发框架，毫无疑问的拉近了最前沿的AI技术与实际落地应用之间的关系。在LangChain的启程篇，我们把目光聚焦在了解LangChain的特点，作用以及简单的实际应用上，在正式深入了解之前，启程篇给我们展示了LangChain可以带来的强大的未来图景。

本文将再次精简总结LangChain启程篇的重点内容，致力于让每一个学过知识的人能在最短时间内调动记忆，重新回顾。

本文内容将从以下两个方面展开：

1. LangChain 是什么
1. LangChain 支持的两大模型

LangChain是什么

LangChain是一个基于大语言模型（LLMs）用于构建端到端语言模型应用的框架，它可以让开发者使用语言模型来实现各种复杂的任务，例如文本到图像的生成、文档问答、聊天机器人等。

LangChain提供了一系列工具、套件和接口，可以简化创建由LLMs和聊天模型提供支持的应用程序的过程。

简单来说，通过LangChain的各种API接口，我们可以将AI各个部分的功能调用起来，组合形成强大的工具。

LangChain有两大重要特性：

数据感知： 能够将语言模型与其他数据源连接起来，从而实现对更丰富、更多样化数据的理解和利用。
具有代理性： 能够让语言模型与其环境进行交互，使得模型能够对其环境有更深入的理解，并能够进行有效的响应。

LangChain支持的两大模型

目前为止，LangChain支持的两大模型分别是Chat Model和Text Model

Chat Model，聊天模型，用于产生人类和AI之间的对话，代表模型当然是gpt-3.5-turbo（也就是ChatGPT）和GPT-4。当然，OpenAI还提供其它的版本，gpt-3.5-turbo-0613代表ChatGPT在2023年6月13号的一个快照，而gpt-3.5-turbo-16k则代表这个模型可以接收16K长度的Token，而不是通常的4K。（注意了，gpt-3.5-turbo-16k并未开放给我们使用，而且你传输的字节越多，花钱也越多）
Text Model，文本模型，在ChatGPT出来之前，大家都使用这种模型的API来调用GPT-3，文本模型的代表作是text-davinci-003（基于GPT3）。而在这个模型家族中，也有专门训练出来做文本嵌入的text-embedding-ada-002，也有专门做相似度比较的模型，如text-similarity-curie-001。

两大模型的实际代码实现：

Text Model:

ini 复制代码

    import os
    from langchain_openai import ChatOpenAI

    llm = ChatOpenAI(
        model=os.environ.get("LLM_MODELEND"),
        temperature=0.8,
        max_tokens=600,
    )
    response = llm.predict("请给我的花店起个名")

    print(response)

Chat Model:

ini 复制代码

import os
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage

chat = ChatOpenAI(model=os.environ.get("LLM_MODELEND"), temperature=0.8, max_tokens=600)

messages = [
    SystemMessage(content="你是一个很棒的智能助手"),
    HumanMessage(content="请给我的花店起个名"),
]
response = chat(messages)
print(response)

通过代码我们可以看出，langchain的重要作用在于它可以通过调用模型轻松将模型应用于各种场景，我们要想得到不同的回答只需要更改response内的内容，甚至我们对于chat/text model的选择也只需要更改response中输入模型的是message还是文本即可，这是其特有的独特特点，便于我们使用。

最后，关于调用模型内的参数，可以参考这张图片：