## 引言在這篇文章中，我們將展示如何使用LangChain構(gòu)建一個(gè)簡單的語言模型（LLM）應(yīng)用程序。這個(gè)應(yīng)用程序的功能是將文本從英語翻譯成其他語言。盡管應(yīng)用程序的邏輯相對簡單，但它能夠幫助我們學(xué)習(xí)如何使用LangChain進(jìn)行更多復(fù)雜的功能開發(fā)。### 文章目的通過閱讀本教程，你將掌握以下內(nèi)容：- 如何使用語言模型
- 如何使用PromptTemplates和OutputParsers
- 如何使用LangChain Expression Language (LCEL)連接組件
- 如何使用LangSmith調(diào)試和跟蹤應(yīng)用程序
- 如何用LangServe部署應(yīng)用程序讓我們開始吧！## 主要內(nèi)容### 環(huán)境設(shè)置#### Jupyter Notebook本指南推薦在Jupyter Notebook中運(yùn)行，便于交互式學(xué)習(xí)LLM系統(tǒng)。點(diǎn)擊[這里](https://jupyter.org/install)獲取安裝說明。#### 安裝LangChain通過以下命令安裝LangChain：```bash
pip install langchain
conda install langchain -c conda-forge

使用語言模型

首先，我們學(xué)習(xí)如何使用一個(gè)語言模型。LangChain支持多種模型，你可以根據(jù)需要選擇。

OpenAI模型示例

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

調(diào)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代理服務(wù)提高訪問穩(wěn)定性

OutputParsers

為了提取模型的響應(yīng)字符串，我們可以使用OutputParser。

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

Prompt Templates

PromptTemplates用于將用戶輸入轉(zhuǎn)換為可傳遞給模型的格式。

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

LCEL連接組件

利用LCEL，我們可以將PromptTemplate、模型和OutputParser串聯(lián)在一起。

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

LangServe部署應(yīng)用程序

創(chuàng)建一個(gè)名為serve.py的文件，并添加以下代碼以啟動(dòng)服務(wù)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)

啟動(dòng)服務(wù)器：

python serve.py

常見問題和解決方案

• API訪問問題：如果在某些地區(qū)訪問API困難，可以考慮使用代理服務(wù)。
• 調(diào)試問題：使用LangSmith可以更好地跟蹤和調(diào)試應(yīng)用程序。

總結(jié)和進(jìn)一步學(xué)習(xí)資源

通過本教程，你已經(jīng)學(xué)會(huì)了如何使用LangChain創(chuàng)建簡單的LLM應(yīng)用程序。要深入學(xué)習(xí)以下內(nèi)容：

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

參考資料

• LangChain官方文檔：鏈接
• FastAPI文檔：鏈接

如果這篇文章對你有幫助，歡迎點(diǎn)贊并關(guān)注我的博客。您的支持是我持續(xù)創(chuàng)作的動(dòng)力！

---END---