直观易用的大模型开发框架 LangChain，你会了没？

目前 LangChain 框架在集团大模型接入手册中的学习案例有限，为了让大家可以快速系统地了解 LangChain 大模型框架并开发，产出此文章。本文章包含了 LangChain 的简介、基本组件和可跑的代码案例（包含 Embedding、Completion、Chat 三种功能模型声明）。读完此文章，您可利用集团申请的 api key+LangChain 框架进行快速开发，体验大语言模型的魅力。

一、简介

LangChain 作为一个大语言模型（LLM）集成框架，旨在简化使用大语言模型的开发过程，包括如下组件：

LangChain 框架优点：

1.多模型支持：LangChain 支持多种流行的预训练语言模型，如 OpenAI GPT-3、Hugging Face Transformers 等，为用户提供了广泛的选择。

2.易于集成：LangChain 提供了简单直观的 API，可以轻松集成到现有的项目和工作流中，无需深入了解底层模型细节。

3.强大的工具和组件：LangChain 内置了多种工具和组件，如文档加载器、文本转换器、提示词模板等，帮助开发者处理复杂的语言任务。

4.可扩展性：LangChain 允许开发者通过自定义工具和组件来扩展框架的功能，以适应特定的应用需求。

5.性能优化：LangChain 考虑了性能优化，支持高效地处理大量数据和请求，适合构建高性能的语言处理应用。

6.Python 和 Node.js 支持：开发者可以使用这两种流行的编程语言来构建和部署 LangChain 应用程序。

由于支持 Node.js ，前端大佬们可使用 Javascript 语言编程从而快速利用大模型能力，无需了解底层大模型细节。同时也支持 JAVA 开发，后端大佬同样适用。

本篇文章案例聚焦 Python 语言开发。

二、基本组件

•Prompt【可选】

◦告知 LLM 内 system 服从什么角色

◦占位符：设置{input}以便动态填补后续用户输入

•Retriever【可选】

◦LangChain 一大常见应用场景就是 RAG（Retrieval-Augmented Generation），RAG 为了解决 LLM 中语料的通用和时间问题，通过增加最新的或者垂类场景下的外部语料，Embedding 化后存入向量数据库，然后模型从外部语料中寻找相似语料辅助回复

•Models

◦可做 Embedding 化，语句补全，对话等

支持的模型选择，OpenAI 为例

•Parser【可选】

◦StringParser，JsonParser 等

◦将模型输出的 AIMessage 转化为 string, json 等易读格式

上述介绍了 Langchain 开发中常见的 components，接下来将通过一简单案例将上述组件串起来，让大家更熟悉 Langchain 中的组件及接口调用。

三、小试牛刀

import os# gpt 网关调用os.environ["OPENAI_API_KEY"] = "{申请的集团api key}"os.environ["OPENAI_API_BASE"] = "{您的url}"
import openai
from dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv())
openai.api_key = os.environ['OPENAI_API_KEY']
from langchain.prompts import ChatPromptTemplatefrom langchain.chat_models import ChatOpenAIfrom langchain.schema.output_parser import StrOutputParser
prompt = ChatPromptTemplate.from_template(    "tell me a short joke about {topic}")model = ChatOpenAI()output_parser = StrOutputParser()
chain = prompt | model | output_parser
chain.invoke({"topic": "bears"})

输出：

"Why don't bears wear shoes?\nBecause they have bear feet!"

其中 chain = prompt | model | output_parser 按照数据传输顺序将上述声明的 prompt template、大语言模型、输出格式串联起来（Chain），逻辑清晰直接。

代码案例：调用 Embedding、Completion、Chat Model

•将文本转化为 Embedding ： langchain_community.embeddings <-> OpenAIEmbeddings

from langchain_community.embeddings import OpenAIEmbeddings
embeddings = OpenAIEmbeddings(    model="text-embedding-ada-002",    openai_api_key=os.environ["OPENAI_API_KEY"],    openai_api_base=os.environ["OPENAI_API_BASE"])
text = "text"query_result = embeddings.embed_query(text)

•文本补全：langchain_community.llms <-> OpenAI completion

from langchain_community.llms import OpenAI
llm = OpenAI(    model_name='gpt-35-turbo-instruct-0914',    openai_api_key=os.environ["OPENAI_API_KEY"],    base_url=base_url,    temperature=0)
llm.invoke("I have an order with order number 2022ABCDE, but I haven't received it yet. Could you please help me check it?")

•对话模型：langchain_openai <-> ChatOpenAI

from langchain_openai import ChatOpenAI
model = ChatOpenAI(model_name="gpt-35-turbo-1106") # "glm-4"model.invoke("你好，你是智谱吗？")

四、总结

LangChain 作为一个使用流程直观的大模型开发框架，掌握它优势多多。希望您可以通过上述内容入门并熟悉 LangChain 框架，欢迎多多交流！