目前LangChain框架在集團大模型接入手冊中的學習案例有限，爲了讓大家可以快速系統地瞭解LangChain大模型框架並開發，產出此文章。本文章包含了LangChain的簡介、基本組件和可跑的代碼案例（包含Embedding、Completion、Chat三種功能模型聲明）。讀完此文章，您可利用集團申請的api key+LangChain框架進行快速開發，體驗大語言模型的魅力。
一、簡介
LangChain 作爲一個大語言模型（LLM）集成框架，旨在簡化使用大語言模型的開發過程，包括如下組件：
LangChain框架優點：
1.
多模型支持：LangChain 支持多種流行的預訓練語言模型，如 OpenAI GPT-3、Hugging Face Transformers 等，爲用戶提供了廣泛的選擇。
2.
易於集成：LangChain 提供了簡單直觀的API，可以輕鬆集成到現有的項目和工作流中，無需深入瞭解底層模型細節。
3.
強大的工具和組件：LangChain 內置了多種工具和組件，如文檔加載器、文本轉換器、提示詞模板等，幫助開發者處理複雜的語言任務。
4.
可擴展性：LangChain 允許開發者通過自定義工具和組件來擴展框架的功能，以適應特定的應用需求。
5.
性能優化：LangChain 考慮了性能優化，支持高效地處理大量數據和請求，適合構建高性能的語言處理應用。
6.
Python 和 Node.js 支持：開發者可以使用這兩種流行的編程語言來構建和部署LangChain應用程序。
由於支持 Node.js ，前端大佬們可使用Javascript語言編程從而快速利用大模型能力，無需瞭解底層大模型細節。同時也支持JAVA開發，後端大佬同樣適用。
本篇文章案例聚焦Python語言開發。
二、基本組件
•
Prompt【可選】
◦
告知LLM內system服從什麼角色
◦
佔位符：設置{input}以便動態填補後續用戶輸入
•
Retriever【可選】
◦
LangChain一大常見應用場景就是RAG（Retrieval-Augmented Generation），RAG 爲了解決LLM中語料的通用和時間問題，通過增加最新的或者垂類場景下的外部語料，Embedding化後存入向量數據庫，然後模型從外部語料中尋找相似語料輔助回覆
•
Models
◦
可做 Embedding化，語句補全，對話等
支持的模型選擇，OpenAI爲例
•
Parser【可選】
◦
StringParser，JsonParser 等
◦
將模型輸出的AIMessage轉化爲string, json等易讀格式
上述介紹了Langchain開發中常見的components，接下來將通過一簡單案例將上述組件串起來，讓大家更熟悉Langchain中的組件及接口調用。
三、小試牛刀
import os
# gpt 網關調用
os.environ["OPENAI_API_KEY"] = "{申請的集團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 ChatPromptTemplate
from langchain.chat_models import ChatOpenAI
from 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"})輸出：
"Why don't bears wear shoes?\nBecause they have bear feet!"其中 chain = prompt | model | output_parser 按照數據傳輸順序將上述聲明的 prompt template、大語言模型、輸出格式串聯起來（Chain），邏輯清晰直接。
代碼案例：調用Embedding、Completion、Chat Model
•
將文本轉化爲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)
•
文本補全：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?")
•
對話模型：langchain_openai <-> ChatOpenAI
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model_name="gpt-35-turbo-1106") # "glm-4"
model.invoke("你好，你是智譜嗎？")
四、總結
LangChain作爲一個使用流程直觀的大模型開發框架，掌握它優勢多多。希望您可以通過上述內容入門並熟悉LangChain框架，歡迎多多交流！