langchain 入门指南（二）- 如何跟大模型对话

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

本文中，我们会通过一个简单的例子来展示如何使用 langchain 来调用大模型的 chat API（使用 Chat Model）。
这个例子前面也有使用过，但是前面还没有针对里面的内容进行详细的说明。

配置 key 的文档请看 langchain 入门指南（一）- 准备 API KEY

依赖安装

pip install -U langchain-openai

示例

下面的 ChatOpenAI 表示我们要使用的是 Chat Model，顾名思义，这个模型是用来进行对话的，这也是我们最常用的一种模型。

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessagechat = ChatOpenAI(model="yi-large",temperature=0.3,max_tokens=200,api_key='your key',base_url="https://api.lingyiwanwu.com/v1"
)messages = [SystemMessage(content="你是一名精通了 golang 的专家"),HumanMessage(content="写一个  golang 的 hello world 程序"),
]response = chat.invoke(messages)print(response.content)

ChatOpenAI 说明

使用 ChatOpenAI 类，我们可以调用 chat API。ChatOpenAI 类的构造函数有以下参数：

ChatOpenAI 参数

• model：模型名称，例如 yi-large（零一万物），gpt-3.5-turbo（OpenAI HK）等。
• temperature：用于控制生成文本的多样性，值越大，生成的文本越多样化。
• max_tokens：生成文本的最大长度。（我们的输入和 LLM 的输出都需要消耗 token 数，所以如果只是测试，可以控制一下输出的 token 数量）
• api_key：API 密钥（支持多种，不只是 OpenAI 的）。不填写的话，会从环境变量中读取（对应的环境变量是 OPENAI_API_KEY）。
• base_url：API 的接口地址。不填写的话，会从环境变量中读取（对应的环境变量是 OPENAI_BASE_URL）。
• timeout：超时时间，单位是秒。
• max_retries: 最大重试次数。

invoke 方法的参数说明

我们可以看到上面的例子传递了一个 messages 参数，这个参数是一个列表，里面包含了 HumanMessage 和 SystemMessage。

在其他地方，我们可能会看到其他形式的参数，它实际上也支持很多种形式，例如：

元组列表

from langchain_openai import ChatOpenAIchat = ChatOpenAI(model="yi-large",temperature=0.3,max_tokens=200,api_key='your key',base_url="https://api.lingyiwanwu.com/v1",
)messages = [('system', '你是一名精通了 golang 的专家'),('human', '写一个  golang 的 hello world 程序')
]response = chat.invoke(messages)print(response.content)

BaseMessage 列表

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessagechat = ChatOpenAI(model="yi-large",temperature=0.3,max_tokens=200,api_key='your key',base_url="https://api.lingyiwanwu.com/v1",
)messages = [SystemMessage(content="你是一名精通了 golang 的专家"),HumanMessage(content="写一个  golang 的 hello world 程序"),
]response = chat.invoke(messages)print(response.content)

字符串

from langchain_openai import ChatOpenAIchat = ChatOpenAI(model="yi-large",temperature=0.3,max_tokens=200,api_key='your key',base_url="https://api.lingyiwanwu.com/v1",
)# 这个字符串参数会被转换为 HumanMessage
response = chat.invoke('使用 golang 写一个 hello world 程序')print(response.content)

字符串列表

from langchain_openai import ChatOpenAIchat = ChatOpenAI(model="yi-large",temperature=0.3,max_tokens=200,api_key='your key',base_url="https://api.lingyiwanwu.com/v1",
)messages = ["你是一名精通了 golang 的专家","写一个  golang 的 hello world 程序",
]response = chat.invoke(messages)print(response.content)

invoke 方法的返回值

上面是直接打印了返回值的 content 属性，实际上返回值中包含了其他一些有用的信息：

{"lc": 1,"type": "constructor","id": ["langchain","schema","messages","AIMessage"],"kwargs": {"content": "<...省略...>","response_metadata": {"token_usage": {"completion_tokens": 200,"prompt_tokens": 35,"total_tokens": 235},"model_name": "yi-large","system_fingerprint": null,"finish_reason": "length","logprobs": null},"type": "ai","id": "run-29131a4f-e792-4c9e-8cf5-490afed94176-0","usage_metadata": {"input_tokens": 35,"output_tokens": 200,"total_tokens": 235},"tool_calls": [],"invalid_tool_calls": []}
}

一些字段说明：

• completion_tokens/output_tokens 是生成的文本的 token 数量。
• prompt_tokens/input_tokens 是输入的 token 数量。
• total_tokens 是单次请求总的 token 数量。

在实际的应用中，我们需要注意使用的 token 的数量，防止消耗太多的 token，因为 token 是要花钱来购买的。
如果我们是为其他人提供服务，可能就需要针对不同的用户来统计 token 的使用情况，以便计费。