Langchain 快速入门(一)

简介

langchain专门用于构建LLM大语言模型，其中提供了大量的prompt模板，和组件，通过chain(链)的方式将流程连接起来，操作简单，开发便捷。

环境配置

安装langchain框架

pip install langchain langchain-community

其中langchain可以提供了各种大模型语言库选择，（这里只列举几个）例如：

#chatgpt
pip install langchain-openai
#hugging face
pip install langchain-huggingface
#千问
pip install langchain-qwq

1. 让模型跑起来

如何让你llm跑起来，这里用的是千问，来演示

案例

import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

#这里是你的千问apikey
os.environ["DASHSCOPE_API_KEY"] = "apikey"

model = ChatTongyi(model="qwen-plus")

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个精通{topic}的资深技术专家。"),
    ("user", "请用三句话解释一下什么是{concept}。")
])

output_parser = StrOutputParser()

chain = prompt | model | output_parser

#文本输出
response = chain.invoke({"topic": "Python", "concept": "列表"})
print(response)

#分割
print("="*30)

#流式输出
for chunk in chain.stream({"topic": "人工智能", "concept": "神经网络"}):
    print(chunk, end="", flush=True)

代码解释

整个代码的流程如下：
创建模型->构建提示词->构建chain链->使用大模型

创建模型

这一步用不同的模型可能会不同

这里利用langchain的千问库创建模型，可能会不同

model = ChatTongyi(model="qwen-plus")

#例如用chatgpt
llm = init_chat_model("gpt-4o", model_provider="openai")

构建提示词

这一步构建利用了langchain库提供提示词模板：

其中用{}阔起来的在调用时可以动态用字典替换

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个精通{topic}的资深技术专家。"),
    ("user", "请用三句话解释一下什么是{concept}。")
])

各个角色功能如下：

角色名称 (Role)	对应的类	作用说明
system	SystemMessage	系统提示词。用于设定 AI 的"人格"、专业背景、行为准则或约束条件。它通常优先级最高，决定了后续对话的基调。
user	HumanMessage	用户消息。代表人类发送的内容。这是模型需要直接回答或处理的问题。
ai	AIMessage	AI 消息。代表模型之前的回复。在构建多轮对话（带记忆）时，需要把模型之前的回复传回去。

构建chain链

这个是langchain的灵魂，这里简单说明，后面会发更详细的教学文章

chain链的运行流程如下：
将输入填充prompt->将完整prompt喂给LLM->直接解析返回文本

StrOutputParser()这个是langchain提供的文本解析器，用于将上面的结果解析为文本

output_parser = StrOutputParser()
chain = prompt | model | output_parser

使用大模型

这里有两种方式：

1. 直接输出完整的文本

response = chain.invoke({"topic": "Python", "concept": "列表"})
print(response)

2. 流文本输出（打字机）

for chunk in chain.stream({"topic": "人工智能", "concept": "神经网络"}):
    print(chunk, end="", flush=True)

如果❤喜欢❤本系列教程，就点个关注吧，后续不定期更新~