使用LangChain创建简单的语言模型应用程序【快速入门指南】

## 引言在这篇文章中，我们将展示如何使用LangChain构建一个简单的语言模型（LLM）应用程序。这个应用程序的功能是将文本从英语翻译成其他语言。尽管应用程序的逻辑相对简单，但它能够帮助我们学习如何使用LangChain进行更多复杂的功能开发。### 文章目的通过阅读本教程，你将掌握以下内容：- 如何使用语言模型
- 如何使用PromptTemplates和OutputParsers
- 如何使用LangChain Expression Language (LCEL)连接组件
- 如何使用LangSmith调试和跟踪应用程序
- 如何用LangServe部署应用程序让我们开始吧！## 主要内容### 环境设置#### Jupyter Notebook本指南推荐在Jupyter Notebook中运行，便于交互式学习LLM系统。点击[这里](https://jupyter.org/install)获取安装说明。#### 安装LangChain通过以下命令安装LangChain：```bash
pip install langchain
conda install langchain -c conda-forge

使用语言模型

首先，我们学习如何使用一个语言模型。LangChain支持多种模型，你可以根据需要选择。

OpenAI模型示例

pip install -qU langchain-openaiimport getpass
import osos.environ["OPENAI_API_KEY"] = getpass.getpass()  # 获取API密钥from langchain_openai import ChatOpenAImodel = ChatOpenAI(model="gpt-4")

调用模型

from langchain_core.messages import HumanMessage, SystemMessagemessages = [SystemMessage(content="Translate the following from English into Italian"),HumanMessage(content="hi!"),
]model.invoke(messages)  # 使用API代理服务提高访问稳定性

OutputParsers

为了提取模型的响应字符串，我们可以使用OutputParser。

from langchain_core.output_parsers import StrOutputParserparser = StrOutputParser()
result = model.invoke(messages)
parser.invoke(result)

Prompt Templates

PromptTemplates用于将用户输入转换为可传递给模型的格式。

from langchain_core.prompts import ChatPromptTemplatesystem_template = "Translate the following into {language}:"
prompt_template = ChatPromptTemplate.from_messages([("system", system_template), ("user", "{text}")]
)

LCEL连接组件

利用LCEL，我们可以将PromptTemplate、模型和OutputParser串联在一起。

chain = prompt_template | model | parser
chain.invoke({"language": "italian", "text": "hi"})

LangServe部署应用程序

创建一个名为serve.py的文件，并添加以下代码以启动服务器：

from fastapi import FastAPI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
from langserve import add_routessystem_template = "Translate the following into {language}:"
prompt_template = ChatPromptTemplate.from_messages([('system', system_template),('user', '{text}')
])model = ChatOpenAI()
parser = StrOutputParser()chain = prompt_template | model | parserapp = FastAPI()add_routes(app, chain, path="/chain")if __name__ == "__main__":import uvicornuvicorn.run(app, host="localhost", port=8000)

启动服务器：

python serve.py

常见问题和解决方案

• API访问问题：如果在某些地区访问API困难，可以考虑使用代理服务。
• 调试问题：使用LangSmith可以更好地跟踪和调试应用程序。

总结和进一步学习资源

通过本教程，你已经学会了如何使用LangChain创建简单的LLM应用程序。要深入学习以下内容：

• LangChain Expression Language (LCEL)
• Prompt Templates
• LangServe部署指南

参考资料

• LangChain官方文档：链接
• FastAPI文档：链接

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---