这篇指南介绍如何通过 Pluto 将 LangServe 应用一键部署到 AWS 上,全程无需登陆 AWS 控制台,只需准备好 AWS 访问凭证即可。
LangServe 是 LangChain 的一个子项目,可以帮助开发者通过 REST API 部署 LangChain 的 Runnable 和 Chain。同时,它还提供了一个用于调用部署在服务器上的 Runnable 的客户端类,包括 Python、TypeScript 等多个版本,以及默认提供 Playground 供部署后直接在线试用。
可以从这里获取本示例的全部代码,这个链接提供了本示例应用的在线 IDE,点击右上角 Fork 按钮即可创建你自己的开发环境,然后你就可以直接在浏览器中修改代码并部署到 AWS 上了。
⚠️ 注意:
由于 Pluto 目前仅支持单文件,因此 LangServe 应用的代码需要放在一个文件中。
受限于 Pluto 现有的打包方式,目前还不支持 LangChain 的 Template 生态。快速支持中
环境准备
如果你还没有配置 Pluto 开发环境,请参考快速开始中的本地开发进行配置,或使用 Pluto 提供的在线 IDE 或容器体验。
开发 LangServe 应用
这里我们介绍两种不同的开发 LangServe 应用的方式:一种是 langserve 教程中提及的开发方式,使用 langchain app new
命令创建一个新的 LangChain 应用;另一种是使用 pluto new
命令创建一个新的 Pluto 应用。
方式 1: langchain app new
安装 LangChain CLI
pip install langchain-cli
复制代码
创建 LangServe 应用
使用 langchain app new
命令创建一个新的 LangChain 应用,这个命令会在当前目录下创建一个新的目录,目录名为你指定的应用名:
langchain app new --non-interactive my-app
cd my-app
复制代码
注意:langchain app new
命令依赖 git
,请确保你的环境中已经安装了 git
。如果你在使用 Pluto 提供的容器环境,请先执行这条命令 apt-get update && apt-get install -y git
安装 git
。
编写 LangServe 应用
你可以根据你的需求在 app/server.py
文件开发基于 LangChain 的 AI 应用,最后你应该会开发出 1 个或多个 LangChain 的 Agent、Chain 等 Runnable 实例。这些实例可以通过 LangServe 提供的 add_routes
方法添加到 FastAPI 中,然后以 HTTP 服务的形式提供给用户。
我们以 LangServe 首页的示例应用为例,该示例使用 add_routes
方法将多个 LangChain 的 Runnable 实例添加到 FastAPI 中。
修改代码适配 Pluto
接下来,我们需要将 LangServe 应用适配为 Pluto 应用,以便 Pluto 可以将其部署到 AWS 上。适配过程也非常简单,只需两步
首先,需要将与 FastAPI app 相关的代码放到一个函数中,并使这个函数返回 FastAPI app 实例,这里假设这个函数名为 return_fastapi_app
。
然后,将代码中的 if __name__ == "__main__":
代码块整体替换为以下 4 条语句,你可以修改 router_name
为你的喜欢的名字,这个名字与最终在 AWS 创建的 Api Gateway 实例的名称相关。
from mangum import Mangum
from pluto_client import Router
router = Router("router_name")
router.all("/*", lambda *args, **kwargs: Mangum(return_fastapi_app(), api_gateway_base_path="/dev")(*args, **kwargs), raw=True)
复制代码
最终的代码如下:
由于 Pluto 还未支持传递环境变量,因此我们需要在代码中配置 OpenAI 和 Anthropic 的 API Key。
from fastapi import FastAPI
from langchain.prompts import ChatPromptTemplate
# from langchain.chat_models import ChatAnthropic, ChatOpenAI
from langchain_anthropic import ChatAnthropic
from langchain_openai import ChatOpenAI
from langserve import add_routes
from langchain.pydantic_v1 import SecretStr
from mangum import Mangum
from pluto_client import Router
OPENAI_API_KEY = SecretStr("sk-EUk0Tal8cIkmG4vJF904F57a9eE241A8Ae72666fAxxxxxxx")
ANTHROPIC_API_KEY = SecretStr("sk-EUk0Tal8cIkmG4vJF904F57a9eE241A8Ae72666fAxxxxxxx")
model = ChatAnthropic(api_key=ANTHROPIC_API_KEY)
prompt = ChatPromptTemplate.from_template("tell me a joke about {topic}")
def return_fastapi_app():
# The langserve depends on this, but it may not come pre-installed.
# So, we write it here to ensure it is installed.
import sse_starlette
app = FastAPI(
title="LangChain Server",
version="1.0",
description="A simple api server using Langchain's Runnable interfaces",
)
add_routes(
app,
ChatOpenAI(api_key=OPENAI_API_KEY),
path="/openai",
)
add_routes(
app,
ChatAnthropic(api_key=ANTHROPIC_API_KEY),
path="/anthropic",
)
add_routes(
app,
prompt | model,
path="/joke",
)
return app
router = Router("router_name")
router.all(
"/*",
lambda *args, **kwargs: Mangum(return_fastapi_app(), api_gateway_base_path="/dev")(*args, **kwargs),
raw=True,
)
复制代码
部署到 AWS
在正式部署之前,我们需要将该项目初始化为 Pluto 项目,这样 Pluto 才能识别并部署该项目。在项目根目录下运行以下命令,Pluto 会交互式的引导你初始化项目,编程语言请选择 Python:
初始化完成后,我们需要安装一些必需的依赖,执行以下两条命令:
npm install
pip install poetry
# Python 版本不匹配时,请修改 pyproject.toml 中的 python 版本号
poetry add pluto-client mangum langchain-openai langchain_anthropic sse_starlette
复制代码
最后,我们执行以下命令就可以将 LangServe 应用部署到 AWS 上:
poetry shell
pluto deploy app/server.py
复制代码
注意:如果你的研发环境为 Arm64 架构,请在环境中安装并启动 docker
。如果你使用的是 Pluto 提供的容器环境,环境中已经安装了 docker
,但需要在启动时配置 --privileged
参数,然后在容器中手动启动 docker
服务,启动命令为:
dockerd > /dev/null 2>&1 &
复制代码
这条命令会把你的 LangServe 应用程序作为无服务器应用程序部署到 AWS 上,将创建一个 Api Gateway 实例和一个 Lambda 函数实例来处理请求。同时会在终端打印出 AWS 的 Api Gateway 的 URL,你可以通过访问这个 URL 来访问部署的应用程序。
方式 2: pluto new
创建 Pluto 应用
使用 pluto new
命令创建一个新的 Pluto 应用,这个命令会交互式地创建一个新的 Pluto 应用,并且会在当前目录下创建一个新的目录,目录名为你指定的应用名,编程语言请选择 Python:
创建完成后,进入到创建的应用目录,并安装必要的依赖:
cd <project name>
npm install
pip install -r requirements.txt
复制代码
编写 LangServe 应用
你可以根据你的需求在 app/main.py
文件开发基于 LangChain 的 AI 应用,最后你应该会开发出 1 个或多个 LangChain 的 Agent、Chain 等 Runnable 实例。这些实例可以通过 LangServe 提供的 add_routes
方法添加到 FastAPI 中,然后以 HTTP 服务的形式提供给用户。
但这里,我们需要将与 FastAPI app 相关的代码放到一个函数中,并使这个函数返回 FastAPI app 实例,最后将这个函数封装在 Router
的 all
方法中,以便 Pluto 可以将其部署到 AWS 上。
以 LangServe 首页的示例应用为例,最终的代码与上一种适配后的代码相同。
部署到 AWS
确保所有依赖都已安装完成后,执行下面这条命令就可以将 LangServe 应用部署到 AWS 上:
注意:如果你的研发环境为 Arm 架构,请在环境中安装并启动 docker
。如果你使用的是 Pluto 提供的容器环境,环境中已经安装了 docker
,但需要在启动时配置 --privileged
参数,然后在容器中手动启动 docker
服务,启动命令为:
dockerd > /dev/null 2>&1 &
复制代码
pluto deploy
会把你的 LangServe 应用程序作为无服务器应用程序部署到 AWS 上,将创建一个 Api Gateway 实例和一个 Lambda 函数实例来处理请求。同时会在终端打印出 AWS 的 Api Gateway 的 URL,你可以通过访问这个 URL 来访问部署的应用程序。
访问
部署完成后,你可以从终端看到 Pluto 输出的 URL,你可以通过这个 URL 访问你的 LangServe 应用程序。
⚠️ 注意:
Pluto 尚未支持 Stream 访问,在使用 LangServe 的 astream
方法时结果仍是一次性返回的。
由于第一次加载 LangChain 依赖库可能会比较慢,所以第一次调用 LangServe 服务或者访问 Playground 时可能会比较慢,超过 30 秒后会自动超时。因此,如果你在访问时遇到超时问题,请再次尝试。
每个 AWS Lambda 函数的实例只能同时处理一个请求,而每个 LangChain 的 Lambda 实例的初始化时间接近 2 分钟,因此在高并发情况下可能会出现请求超时问题。
通过 RemoteRunnable 调用
还是以 LangServe 首页示例应用提供的 Client 为例,你只需要将 LangServe 示例中的本地 URL 替换为 Pluto 输出的 URL 即可。
我们没有使用 Anthropic 模型,因此只保留了 OpenAI 和 Joke 模型的调用,修改后的 Python 客户端代码如下,请将代码中的 https://fcz1u130w3.execute-api.us-east-1.amazonaws.com/dev
替换为 Pluto 输出的 URL:
import asyncio
from langchain.schema import SystemMessage, HumanMessage
from langchain.prompts import ChatPromptTemplate
from langchain.schema.runnable import RunnableMap
from langserve import RemoteRunnable
openai = RemoteRunnable(
"https://fcz1u130w3.execute-api.us-east-1.amazonaws.com/dev/openai/"
)
joke_chain = RemoteRunnable(
"https://fcz1u130w3.execute-api.us-east-1.amazonaws.com/dev/joke/"
)
def sync_inoke():
result = joke_chain.invoke({"topic": "parrots"})
print(
">> The result of `joke_chain.invoke({'topic': 'parrots'})` is:\n",
result.content,
"\n",
)
async def async_inoke():
result = await joke_chain.ainvoke({"topic": "parrots"})
print(
">> The result of `await joke_chain.ainvoke({'topic': 'parrots'})` is:\n",
result.content,
"\n",
)
prompt = [
SystemMessage(content="Act like either a cat or a parrot."),
HumanMessage(content="Hello!"),
]
# Supports astream
print(">> The result of `openai.astream(prompt)` is:")
async for msg in openai.astream(prompt):
print(msg.content, end=" | ", flush=True)
print()
def custom_chain():
prompt = ChatPromptTemplate.from_messages(
[("system", "Tell me a long story about {topic}")]
)
# Can define custom chains
chain = prompt | RunnableMap(
{
"openai": openai,
"anthropic": openai,
}
)
result = chain.batch([{"topic": "parrots"}, {"topic": "cats"}])
print(
">> The result of `chain.batch([{'topic': 'parrots'}, {'topic': 'cats'}])` is:\n",
result,
)
async def main():
sync_inoke()
await async_inoke()
custom_chain()
asyncio.run(main())
复制代码
下面这幅图展示了执行 Python 客户端代码的结果:
修改后的 TypeScript 客户端代码如下,请将代码中的 <your-api-gateway-url>
替换为 Pluto 输出的 URL:
import { RemoteRunnable } from "@langchain/core/runnables/remote";
const chain = new RemoteRunnable({
url: `<your-api-gateway-url>/joke/`,
});
const result = await chain.invoke({
topic: "cats",
});
复制代码
通过 curl 访问
同样,你也只需要将示例中的 <your-api-gateway-url>
替换为 Pluto 输出的 URL:
curl --location --request POST '<your-api-gateway-url>/joke/invoke' \
--header 'Content-Type: application/json' \
--data-raw '{
"input": {
"topic": "cats"
}
}'
复制代码
下面这幅图展示了执行 curl 命令的结果:
通过浏览器访问 Playground
受限于 LangServe 目前的路由策略,我们无法在不修改代码的情况下直接通过浏览器访问 LangServe 的 Playground,在这个 PR 合并之后,就可以直接支持通过浏览器访问 LangServe 的 Playground 了。
现在,我们需要对每一个 add_routes
方法,再额外添加一个 add_routes
方法,并在 path
参数前添加 /dev
前缀,这样就可以在浏览器中访问 LangServe 的 Playground 了。下面是一个示例代码:
add_routes(
app,
ChatOpenAI(api_key=OPENAI_API_KEY),
path="/openai",
)
add_routes(
app,
ChatOpenAI(api_key=OPENAI_API_KEY),
path="/dev/openai",
)
复制代码
修改部署后,可以通过以下 URL 访问示例应用的 Playground,注意的是,访问路径中需要额外添加 /dev
,即路径中包含两个 /dev
。注意,URL 可能会被重定向,如果被修改了,请重新调整路径并再次访问。
OpenAI: <your-api-gateway-url>/dev/openai/playground
Anthropic: <your-api-gateway-url>/dev/anthropic/playground
Joke: <your-api-gateway-url>/dev/joke/playground
下面两幅图分别展示了通过浏览器访问 OpenAI 和 Joke 的 Playground 的结果:
清理
如果你希望将部署的 LangServe 应用程序从 AWS 上下线,只需要执行以下命令即可:
总结
在本文中,我们详细探讨了如何使用 Pluto 将 LangServe 应用一键部署到 AWS 云平台。这种方式即使你不熟悉 AWS 的操作,也可以轻松地将 LangServe 应用部署到云端,实现远程调用和 Playground 的访问。
Pluto 还提供了自动创建 DynamoDB、SNS、SageMaker 等资源的能力,你只需要编写代码,pluto deploy
就会自动地在 AWS 上创建和配置这些资源,将云的计算、存储等能力更便捷地提供给你,帮助你更轻松地研发出功能强大的 AI 应用,实现你的 idea💡,你可以从更多资源中获取更多信息。
我们尽可能让本文的步骤简单易懂,即使你对 Pluto 或 AWS 不太熟悉,也可以轻松上手。如果你在阅读或实践时遇到问题,或者有新的想法与需求,请随时通过提交 issue 或加入 Pluto Slack 社区寻求帮助。
更多资源
极速体验版
将该脚本的 OPENAI_API_KEY
、ANTHROPIC_API_KEY
、AWS_ACCESS_KEY_ID
、AWS_SECRET_ACCESS_KEY
、AWS_REGION
等参数替换为你的真实值,然后将该脚本保存到你本地。
执行该脚本,将会自动创建一个 LangServe 示例应用,并将其部署到 AWS 上,最后输出部署的 URL,你可以参考上文中的 访问 部分来访问部署的应用。
执行结束后,会进入一个交互式命令行,方便你通过 pluto destroy
下线部署的应用。
OPENAI_API_KEY="<your-openai-api-key>"
AWS_ACCESS_KEY_ID="<your-aws-access-key-id>"
AWS_SECRET_ACCESS_KEY="<your-aws-secret-access-key>"
AWS_REGION="us-east-1"
# Prepare the modified code of LangServe application
MODIFIED_CODE=$(cat <<EOF
from fastapi import FastAPI
from langchain.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langserve import add_routes
from langchain.pydantic_v1 import SecretStr
from mangum import Mangum
from pluto_client import Router
OPENAI_API_KEY = SecretStr("${OPENAI_API_KEY}")
model = ChatOpenAI(api_key=OPENAI_API_KEY)
prompt = ChatPromptTemplate.from_template("tell me a joke about {topic}")
def return_fastapi_app():
# The langserve depends on this, but it may not come pre-installed.
# So, we write it here to ensure it is installed.
import sse_starlette
app = FastAPI(
title="LangChain Server",
version="1.0",
description="A simple api server using Langchain's Runnable interfaces",
)
add_routes(
app,
ChatOpenAI(api_key=OPENAI_API_KEY),
path="/openai",
)
add_routes(
app,
ChatOpenAI(api_key=OPENAI_API_KEY),
path="/dev/openai",
)
add_routes(
app,
prompt | model,
path="/joke",
)
add_routes(
app,
prompt | model,
path="/dev/joke",
)
return app
router = Router("router_name")
router.all(
"/*",
lambda *args, **kwargs: Mangum(return_fastapi_app(), api_gateway_base_path="/dev")(*args, **kwargs),
raw=True,
)
EOF
)
# Prepare the package.json file, used by the Pluto
PACKAGE_JSON=$(cat <<EOF
{
"name": "my-app",
"private": true,
"version": "0.0.0",
"scripts": {
"test:dev": "pluto test --sim",
"test:prod": "pluto test",
"deploy": "pluto deploy",
"destroy": "pluto destroy"
},
"dependencies": {},
"devDependencies": {
"@types/node": "^20",
"typescript": "^5.2.2",
"@plutolang/base": "latest",
"@plutolang/pluto-infra": "latest",
"@pulumi/pulumi": "^3.88.0"
},
"main": "dist/index.js"
}
EOF
)
# Prepare the Pluto configuration file
PLUTO_YML=$(cat <<EOF
current: aws
language: python
stacks:
- configs: {}
name: aws
platformType: AWS
provisionType: Pulumi
EOF
)
# Prepare the AWS credentials
AWS_CREDENTIALS=$(cat <<EOF
[default]
aws_access_key_id = ${AWS_ACCESS_KEY_ID}
aws_secret_access_key = ${AWS_SECRET_ACCESS_KEY}
EOF
)
# Prepare the AWS configuration
AWS_CONFIG=$(cat <<EOF
[default]
region = ${AWS_REGION}
EOF
)
# Prepare the script to run inside the Docker container
cat <<EOF1 > script.sh
#!/bin/bash
apt update
apt install -y git
pip install langchain-cli poetry
langchain app new --non-interactive my-app
cd my-app
cat << EOF2 > app/server.py
${MODIFIED_CODE}
EOF2
cat << EOF3 > package.json
${PACKAGE_JSON}
EOF3
mkdir -p .pluto
cat << EOF4 > .pluto/pluto.yml
${PLUTO_YML}
EOF4
npm install
sed -i 's/\^3.11/\^3.10/' pyproject.toml
poetry add pluto-client mangum langchain-openai sse_starlette
mkdir -p ~/.aws
cat << EOF5 > ~/.aws/credentials
${AWS_CREDENTIALS}
EOF5
cat << EOF6 > ~/.aws/config
${AWS_CONFIG}
EOF6
source \$(poetry env info --path)/bin/activate
pluto deploy -y --force app/server.py
bash
EOF1
# Run the script inside the Docker container
docker run -it --rm \
--platform linux/amd64 \
-v $(pwd)/script.sh:/script.sh \
plutolang/pluto:latest bash -c "bash /script.sh"
复制代码
评论