博主原文链接：https://www.yourmetaverse.cn/nlp/511/
LangChain的简单使用介绍
欢迎来到LangChain的世界！今天，我们将一起探索LangChain的基本使用方法，以便您能快速上手这个强大的工具。
初步设置
首先，您需要安装LangChain。可以通过Pip或Conda进行安装：
- 使用Pip：
pip install langchain - 使用Conda：
conda install langchain -c conda-forge
LangChain的使用通常需要与模型提供商、数据存储、API等进行集成。例如，我们将使用OpenAI的模型API。首先需要安装OpenAI的Python包：pip install openai。然后，获取API密钥并将其设置为环境变量：export OPENAI_API_KEY="..."。
基础组件
LangChain提供了多个模块，用于构建语言模型应用。这些模块可单独使用，也可组合使用以实现更复杂的用例。基本组件包括：
- LLM/聊天模型：语言模型是这里的核心推理引擎。
- 提示模板：向语言模型提供指令，控制其输出。
- 输出解析器：将语言模型的原始响应转换为更易使用的格式。
组合使用LCEL
LangChain表达式语言（LCEL）允许您将这些组件合并成一个链。例如，可以创建一个链来接收输入变量，通过提示模板生成提示，将提示传递给语言模型，然后通过（可选的）输出解析器处理输出。使用|语法将这些组件连接起来，如下示例所示：
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema import BaseOutputParserclass CommaSeparatedListOutputParser(BaseOutputParser[List[str]]):"""Parse the output of an LLM call to a comma-separated list."""def parse(self, text: str) -> List[str]:"""Parse the output of an LLM call."""return text.strip().split(", ")# 示例模板
template = "..."
chat_prompt = ChatPromptTemplate.from_messages([...])
chain = chat_prompt | ChatOpenAI() | CommaSeparatedListOutputParser()
chain.invoke({"text": "colors"})
这种方法便于将模块化逻辑打包。
使用LangSmith进行跟踪
一旦设置了环境变量，所有的模型和链调用都会自动记录到LangSmith中。您可以使用LangSmith来调试和注释应用程序跟踪，然后将它们转换为评估应用程序未来迭代的数据集。
使用LangServe进行服务
最后，您可能需要将构建的应用程序提供服务。LangServe可帮助开发者将LCEL链作为REST API部署。您需要创建一个包含链定义、FastAPI应用程序和路由定义的serve.py文件。然后执行此文件，即可看到链在本地服务器上提供服务。LangServe还提供了一个简单的内置UI，用于配置和调用应用程序，以及查看中间步骤的输出。
