LangChain基础使用教程

作者：CSDN博客
什么是LangChain？

LangChain本质上是一个开源的框架，提供一些工具、接口帮你快速创建由LLM和聊天模型支持的应用程序。所以说它本身只是帮你调整大模型构建特定功能的应用，所以你还需要有大模型，一般我们都使用其他公司的大模型api，如OpenAI，Gemini等。
LangChain简化了LLM应用程序生命周期的每个阶段：

开发：使用LangChain的开源组件和第三方集成构建您的应用程序。使用LangGraph构建具有一流流式传输和人工参与支持的状态代理
生产化：使用LangSmith来检查、监控和评估应用程序，以便可以持续优化并充满信心的部署
部署：使用LangGraph Platform将LangGraph应用程序转变为生产就绪的API和助手。

基础使用教程

一、拉取langchain

1. pip install langchain

复制代码

二、langchain简单使用

1、引入大模型

1. import os
2. from langchain_openai import ChatOpenAI
3. os.environ["OPENAI_API_KEY"] = "API-key"
5. llm = ChatOpenAI(
6.     base_url="https://api.hunyuan.cloud.tencent.com/v1",
7.     model="hunyuan-turbos-latest",
8.     temperature=0.5
9. )

复制代码

参数解析：

os.environ["OPENAI_API_KEY"] = "API密钥"，申请的模型apikey
base_url：大模型的部署调用地址
model：调用的模型名称（官方发布的模型名称）
temperature：模型温度，温度越高越具有创造力

引申：
openAI国内用不了，使用腾讯混元大模型代替（免费）：console.cloud.tencent.com

2、简单调用大模型

1. from langchain_core.messages import HumanMessage, SystemMessage
3. messages = [
4.     SystemMessage(content="Translate the following from English into China"),
5.     HumanMessage(content="What is the capital of France?")
6. ]
8. result = llm.invoke(messages)
9. print(result.content)

复制代码

解析：

SystemMessage：系统消息，告诉系统他的作用，或者他扮演的角色
HumanMessage：用户消息，该方法存放用户与大模型交互的信息
llm.invoke(messages)：将消息传送给大模型，并激活大模型进行处理消息
result.content：拿到大模型返回的结果内容

引申：
输出解析器
文本效果等同于result.content

1. from langchain_core.output_parsers import StrOutputParser
3. parser = StrOutputParser()
4. result = llm.invoke(messages)
5. response = parser.invoke(result)
6. print(response)

复制代码

3、模板处理

1. from langchain_core.messages import HumanMessage
2. from langchain_core.prompts import ChatPromptTemplate,MessagesPlaceholder
4. prompt = ChatPromptTemplate.from_messages(
5.     [
6.         (
7.             "system",
8.             "你是一个翻译机器人，你需要识别语言，并且将其翻译为{language}。"
9.         ),
10.         MessagesPlaceholder(variable_name="messages")
11.     ]
12. )
13. resul = prompt.invoke(
14.     {
15.         "messages": [HumanMessage(content="你好!我是鲍勃")],
16.         "language": "English"
17.     }
18. )
20. response = llm.invoke(resul.to_messages())
21. print(response.content)

复制代码

解析：

ChatPromptTemplate：定义一个模板prompt，其中占位符用{}
MessagesPlaceholder(variable_name="messages")：定义一个未知消息类型占位符，名称为messages。消息类型有SystemMessage、HumanMessage、AIMessage
prompt.invoke：激活并使用模板，将占位符填充内容
resul.to_messages()：将填充后的模板转换为messages，后续提供给大模型使用

4、LCEL（组件连接）

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

复制代码

解析：

chain：定义一个LCEL链式处理串
chain.invoke：激活chain处理传入内容
执行顺序：激活穿入的内容传递到LCEL处理。先进行模板处理，然后在将处理后的模板传递给llm，最后在将llm处理的内容交给parser进行输出解析

三、langchain基础使用

1、会话记忆（历史消息）

让我们确保安装 langchain-community，因为我们将使用其中的集成来存储消息历史记录。
定义历史消息存储

1. from langchain_core.chat_history import (
2.     BaseChatMessageHistory,
3.     InMemoryChatMessageHistory,
4. )
5. from langchain_core.runnables.history import RunnableWithMessageHistory
7. store = {}
10. def get_session_history(session_id: str) -> BaseChatMessageHistory:
11.     if session_id not in store:
12.         store[session_id] = InMemoryChatMessageHistory()
13.     return store[session_id]
16. with_message_history = RunnableWithMessageHistory(llm, get_session_history)

复制代码

解析：

get_session_history：定义获取历史信息方法
RunnableWithMessageHistory(llm, get_session_history)：为模型添加历史信息

调用大模型

1. config = {"configurable": {"session_id": "abc2"}}
3. response = with_message_history.invoke(
4.     [HumanMessage(content="Hi! I'm Bob")],
5.     config=config,
6. )
8. response.content

复制代码

解析：

config：定义当前会话的session_id
with_message_history.invoke：激活历史信息模型，并且将config应用

设置历史消息上下文长度

1. from langchain_core.messages import SystemMessage,HumanMessage,AIMessage, trim_messages
3. # 模拟token计算方法
4. def simple_token_counter(messages):
5.     # 假设每个空格分隔的词算一个 token
6.     return sum(len(msg.content.split()) for msg in messages)
8. # 2、设置上下文截取token的大小
9. trimmer = trim_messages(
10.     max_tokens=20,
11.      # 已修剪消息的最大令牌计数
12.     strategy="last",
13.     # 修剪策略。
14.     # - “first”：保留消息的前 <= n_count 个令牌。
15.     # - “last”：保留消息的最后 <= n_count 个令牌。
16.     # 默认值为 “last”。
17.     token_counter=simple_token_counter,
18.     # 用于对 BaseMessage 或 BaseMessage 列表中的令牌进行计数的函数或 llm
19.     include_system=True,
20.     # 如果索引 0 处有 SystemMessage，是否保留 SystemMessage。
21.     # 仅当 strategy=“last” 时才应指定。默认值为 False。
22.     allow_partial=False,
23.     #如果只能包含消息的一部分，是否拆分消息。如果 strategy=“last” 则包含消息的最后部分内容。
24.     # 如果 strategy=“first” 则包含消息的第一个部分内容。默认值为 False。
25.     start_on="human",
26.     # 要开始的消息类型。仅当 strategy=“last” 的 intent 函数。
27.     # 如果指定，则忽略此类型首次出现之前的每条消息。这是在我们将初始消息修剪到最后一个 max_tokens 后完成的。
28.     # 如果 include_system=True，则不适用于索引 0 处的 SystemMessage。
29.     # 可以指定为字符串名称（例如 “system”、“human”、“ai” 等）或 BaseMessage 类（例如 SystemMessage、HumanMessage、AIMessage 等）。
30.     # 可以是单个类型或类型列表。默认值为 None。
31. )
33. ...
35. from langchain_core.runnables import RunnablePassthrough
37. chain = (
38.     RunnablePassthrough.assign(messages=itemgetter("messages") | trimmer)
39.     #  itemgetter 用于获取对象的哪些位置的数据，参数即为代表位置的序号值。
40.     | prompt
41.     | llm
42. )

复制代码

解析：

itemgetter("messages") | trimmer ：拿到messages的值，并进行trimmer切割
RunnablePassthrough.assign：创建一个新的可运行对象，它会保留原始输入的所有字段，同时添加或替换指定的字段。此处指定为messages

2、模型流式返回

1. prmopt = ChatPromptTemplate.from_messages(
2.     [
3.         (
4.             "system",
5.             "你是一个聊天助手，你的输出语言是{language}"
6.         ),
7.         MessagesPlaceholder(variable_name="messages")
8.     ]
9.    
10. )
12. chain = prmopt | llm
14. with_message_history = RunnableWithMessageHistory(
15.     chain,
16.     get_session_history,
17.     input_messages_key="messages", # 由于输入中有多个 key，我们需要指定正确的 key 来保存聊天记录
18. )
21. for r in with_message_history.stream(
22.     {
23.         "messages": [HumanMessage(content="hi! I'm todd. tell me a joke")],
24.         "language": "China",
25.     },
26.     config=config
27. ):
28.     print(r.content, end="|")

复制代码

原文地址：https://blog.csdn.net/qq_56796761/article/details/149279789