index.md

layout
default

Text can be bold, italic, or strikethrough.

Link to another page.

1 开始

1.1 安装

1. 安装 langchain 库

!pip install langchain
# or
!conda install langchain -c conda-forge

2. 安装 openai 库

!pip install openai

---

1.2 配置环境并导入依赖

1. 方式一：直接添加电脑环境变量 OPEN_AI_KEY="..."
2. 方式二：在终端运行export OPENAI_API_KEY="..."
3. 方式三：在jupyter中运行如下代码

import os
os.environ["OPENAI_API_KEY"] = "..."

配置好环境变量后，获取 OpenAI 接口的 api_key

import os
import openai

openai.api_key  = os.getenv('OPENAI_API_KEY')

---

1.3 LLM的初始化和调用

LangChain中有两种类型的语言模型，分别称为：

• LLMs：普通语言模型。该类模型将字符串作为输入，并返回字符串。如：langchain.llms.OpenAI()
• ChatModels：对话语言模型。该类模型将以 langchain 中的 ChatMessage 列表作为输入，并输出单个ChatMessage。如langchain.chat_models.ChatOpenAI()

LangChain为两种模型提供了不同的接口用于内容生成：

• 对于 LLMs，使用 predict 方法接受一个字符串
• 对于ChatModels: 使用 predict_message 接收 ChatMessage 列表

首先，以构建 “基于公司产品生成公司名称” 的任务为例，使用 LLMs 类型的模型进行生成

from langchain.llms import OpenAI # 导入指定的语言模型

text = "What would be a good company name for a company that makes colorful socks?"
llm = OpenAI() # 初始化LLM
llm.predict(text) # 使用predict方法进行生成

'\n\nSocktastic!'

然后，我们来使用 ChatModel 类型的模型进行生成，该类模型可以设置历史对话信息。

LangChain 中，对于 ChatMessage需要指定两部分内容:

• role: 产生该消息的实体的角色
• content: 该消息的具体内容

LangChain也提供了几个包装类来方便构建不同角色的消息：

• HumanMessage: 来自用户的消息
• AIMessage: 来自AI助手（LLM）的信息
• SystemMessage: 通常指第一轮对话前提供给系统的背景信息
• FunctionMessage: 函数调用产生的信息（较少用）

仍然以构建 “基于公司产品生成公司名称” 的任务为例

from langchain.schema import HumanMessage, ChatMessage
from langchain.chat_models import ChatOpenAI

text = "What would be a good company name for a company that makes colorful socks?"
chat_model = ChatOpenAI() # 初始化LLM

messages = [HumanMessage(content=text)] 
# messages = [ChatMessage(role='human', content='text')] # 上一行代码等价

chat_model.predict_messages(messages) # 使用predict_message方法进行生成

AIMessage(content='VibrantFootwear', additional_kwargs={}, example=False)