1.背景
Langchain是一个开源框架，用于将大型语言模型与外部计算和数据源结合起来，以增强其功能，以下是Langchain库的主要特点和组件：
- 组件（Components）：为LLMs提供接口封装、模板提示和信息检索索引，这些组件是模块化且易于使用的，无论是否使用Langchain框架的其余部分。
- 链（Chains）：将不同的组件组合起来解决特定的任务，例如在大量文本中查找信息或者执行更复杂的工作流程。
- 代理（Agents）：使得LLMs能够与外部环境进行交互，例如通过API请求执行操作，这增强了模型的自主性和实用性。
- LangServe：这是一个用于将Langchain链部署为REST API的库，使得可以更容易地集成到其他应用程序和服务中。
- 模板：Langchain提供了一系列的模板，这些是易于部署的参考架构，用于处理各种任务，简化了开发过程。
2.前期工作
2.1 LangChain安装
如果想要在python环境下启动LangChain，那么需要python版本在3.8以上最佳，并且安装LangChain相关的几个官方库
pip install langchain
pip install langchain_openai
2.2 OpenAi账号
- 以官方的入门教程为例，均使用了openai的api和key进行交互，因此基本上如果想要顺利实现官方教程，均需要注册openai账号，在账号中获取api以及key进行配置才行，但目前openai对国内不开放，存在一定门槛。
- 为解决这一问题，这里选择第三方的网站，在程序中修改api以及key，以此来实现langchain后续的教程能够成功运行。
- 在https://api.chatllm.vip/网站可以获取到能够使用的api和key，按照网站指引获取即可
3.项目启动
3.1 配置
这段代码是用于导入langchain_openai库中的ChatOpenAI类，并创建一个名为chat_model的实例。
from langchain_openai import ChatOpenAIchat_model = ChatOpenAI(openai_api_key="sk-你的key值",openai_api_base="https://api.chatllm.vip/v1", model="gpt-3.5-turbo",streaming=True)
chat_model = ChatOpenAI(...)：这行代码创建了一个名为 chat_model 的对象，并使用 ChatOpenAI 类的构造函数进行初始化。构造函数接受以下参数：
openai_api_key: 这是你的 OpenAI API 密钥openai_api_base: 这是 OpenAI API 的基础 URL址model: 这是 ChatGPT 模型的名称或标识符，指定了要使用的语言模型，在这里使用的是 “gpt-3.5-turbo” 模型。streaming: 这是一个布尔值，指定是否使用流式传输。如果设置为True，则可以进行长时间运行的对话。
3.2 简单聊天
先直接使用大模型，问一个简单的问题如下：
chat_model.invoke("介绍一下支持向量机")
大模型回复结果如下：
AIMessage(content='支持向量机（Support Vector Machine，SVM）是一种用于分类和回归分析的监督学习模型。其基本原理是通过在特征空间中找到一个最优的超平面，将不同类别的样本分隔开来。\n\nSVM的优势在于能够处理高维数据和非线性数据，并且在处理小样本数据时表现出色。其核心思想是通过寻找最大间隔超平面来实现分类，即最大化不同类别样本之间的间隔，使得分类边界更加鲁棒和泛化能力更强。\n\n在实际应用中，支持向量机可以通过不同的核函数（如线性核、多项式核、高斯核等）来处理不同类型的数据，并且可以通过调节超参数来优化模型的性能。支持向量机在文本分类、图像识别、生物信息学等领域都有广泛的应用。', response_metadata={'finish_reason': 'stop'}, id='run-0e8e91b8-e7f0-4c7a-93b1-4e829f5efe78-0')
3.3 Prompt操作
这是Langchain中的一个重要组成部分，它允许用户通过一个模板来生成一个对应的Prompt。这种方法的好处在于可以根据用户的输入或其他参数动态构建Prompt，从而提供更加个性化和适应性强的交互体验。
将之前的简单提问进行Prompt化如下：
from langchain_core.prompts import ChatPromptTemplateProgrammer = ChatPromptTemplate.from_messages([("system", "你是一名程序专家"),("human", "讲解一下关于{topic}的概念")
])
我们紧接着调用模板来问相同的问题：
Programmer.invoke({"topic": "支持向量机"})
大模型回答的结果如下：
ChatPromptValue(messages=[SystemMessage(content='你是一名程序专家'), HumanMessage(content='讲解一下关于支持向量机的概念')])
以上的代码中我们可以发现：
- 使用 from_messages 进行了模板构建
- 把 SystemMessages是一种指导输入的方法
- 提示模板包含大括号中的 {topic} 这个是我们将要输入的内容
3.4 Chain操作
在LangChain框架中，“链”是一个非常通用的概念，它允许开发人员将大型语言模型（LLMs）与其他计算和数据源结合起来，以增强模型的功能和应用场景。
现在我们将prompt和chatmodel使用pipe的方式连接成chains，这样就实现了一个简单的chains的应用，代码如下：
chain = Programmer | chat_model
chain.invoke({"topic": "支持向量机"})
返回结果为：
AIMessage(content='支持向量机（Support Vector Machine，SVM）是一种监督学习算法，用于分类和回归分析。其基本思想是找到一个最优的超平面，将不同类别的数据点分隔开来。\n\n在分类问题中，SVM的目标是找到一个超平面，使得两个不同类别的数据点禽最大间隔。这个超平面可以被视为一个决策边界，将数据点分成不同的类别。为了找到最佳的超平面，SVM会考虑到支持向量，即离超平面最近的数据点。这些支持向量决定了超平面的位置和方向。\n\nSVM还可以通过核函数来处理非线性问题，将数据映射到高维空间，使得数据在该空间中可以被线性分隔。常用的核函数包括线性核、多项式核、高斯核等。\n\n总的来说，SVM通过寻找最优的超平面来进行分类或回归分析，具有较强的泛化能力和对小样本数据的处理能力，因此在实际应用中得到了广泛的应用。', response_metadata={'finish_reason': 'stop'}, id='run-1a76770e-025d-4588-806d-d4f7d710a35c-0')
如果只是想简单输出字符串，Langchain 专门提供输出解析Output Parsers | ️ LangChain，并且也可以组合链运行：
from langchain_core.output_parsers import StrOutputParser
str_chain = chain | StrOutputParser()
str_chain.invoke({"topic": "支持向量机"})
输出结果为：
'支持向量机（Support Vector Machine, SVM）是一种常用的机器学习算法，主要用于分类和回归任务。其基本思想是在特征空间中找到一个最优的超平面，将不同类别的样本分开，同时最大化分类边界的间隔。\n\n具体来说，支持向量机的目标是找到一个超平面，使得所有样本点距离这个超平面的间隔尽可能大。支持向量机的关键在于支持向量，即离超平面最近的样本点，它们决定了超平面的位置和方向。支持向量机通过最大化支持向量到超平面的距离来实现分类。\n\n支持向量机有多种形式，包括线性支持向量机、非线性支持向量机（通过核函数将数据映射到高维空间进行分类）、多类别支持向量机等。支持向量机在处理高维数据和非线性数据上表现良好，并且具有较强的泛化能力。\n\n在实际应用中，支持向量机通常需要调优参数，如正则化参数、核函数参数等，以达到最佳的分类效果。支持向量机是一种强大的分类器，在许多领域，如文本分类、图像识别、生物信息学等方面都得到了广泛的应用。'
3.5 简单工具构建
接下来，将前几个点综合起来，我们开始编写一个预约提醒的工具，包括了工具函数、prompt、chains，最终将其组合起来，就能够实现简单的大模型工具。
#第一步：编写工具函数
from langchain_core.tools import tool
@tool
def learning_reminder(start_time):"""..."""return "设置成功"#第二步：编写prompt函数
from langchain.tools.render import render_text_description
tools = [learning_reminder]
render_tools = render_text_description(tools)render_prompt = f"""你是一个学习提醒程序，使用这个工具来帮我设置闹钟提醒我学习课程，工具的名字和说明如下:
{render_tools}
用户输入后，返回相应结果，结果使用json形式，包括'name'和'time'和'topic'"""
from datetime import datetime
prompt = ChatPromptTemplate.from_messages([("system", render_prompt),("ai",f"今日日期是:{datetime.now().strftime('%Y-%m-%d')}"),("user", "{input}")]
)#第三步：编写chain过程
import json
def parse_json(response):text = response.contenttext = text.strip()print(text)json_text = json.loads(text)return json_text['time']
reminder_chain=learning_reminder|chat_model
chain = prompt | chat_model | parse_json | reminder_chain#第四步：测试实现
chain.invoke({"input": "今天下午一点钟，提醒我学习支持向量机这门课程"})
返回结果如下：
AIMessage(content='设置成功！您已成功安排了一项任务。有任何其他需要帮忙的吗？', response_metadata={'finish_reason': 'stop'}, id='run-ca0d428c-052b-4f03-845e-9bd8321a006f-0')
4.总结
- langchain的官方文档还是以openai作为主要调用api，这点对国内暂时不是很友好，可以暂时使用其他第三方网站进行替代，此外国内的大模型也可以通过改造进行使用。
- 针对langchain的几个要点操作进行了简单的介绍以及代码操作，不难发现其实现的结果就是人与大模型的交互，而交互的效果则是可以依赖不同的prompt和chain组件进行改变的，这也是langchain的工程化优点。