LangChain Cookbook Part 1

作者：CSDN博客
参考自https://github.com/gkamradt/langchain-tutorials/blob/main/LangChain%20Cookbook%20Part%201%20-%20Fundamentals.ipynb
LangChain食谱-1

这个文档基于LangChain Conceptual Documentation
目标是介绍LangChain组件和用例
什么是LangChain？

LangChain是一个由语言模型驱动的应用程序框架。
LangChain让使用AI模型进行工作和构建的复杂部分变得更容易，它通过两种方式帮助实现这一点：

集成（Integration）-将外部数据（例如你的文件、其他应用程序和API数据）带到你的LLMs里代理（Agency）-允许你的LLMs通过决策与其环境进行交互。使用LLM来帮助决定下一步要采取什么行动。

为什么选择LangChain？

组件（Components）-LangChain可以轻松交换使用语言模型所需的抽象和组件。定制链（Customized Chains）-LangChain提供开箱即用的支持，用于使用和定制“链”-一系列串联在一起的操作。速度（Speed）-团队更新很快，了解最新的LLM功能。社区（Community）-好的社区支持。

1. import os
2. from dotenv import load_dotenv, find_dotenv
3. _ = load_dotenv(find_dotenv())

复制代码

LangChain Components(LangChain组件)

Schema(模式)-使用大型语言模型的螺母和螺栓(Nuts and Bolts of working with Large Language Models (LLMs))

Text

与LLMs进行交互的自然语言方式。

1. # You'll be working with simple strings (that'll soon grow in complexity!)
2. my_text ="What day comes after Friday?"
3. my_text

复制代码

1. 'What day comes after Friday?'

复制代码

Chat Messages

类似文本，但指定了消息类型（System, Human, AI）

System-有用的背景信息，告诉人工智能该做什么Human-代表用户的信息AI-人工智能响应的内容的信息

1. from langchain_openai import ChatOpenAI
2. from langchain.schema import HumanMessage, SystemMessage, AIMessage
4. # This it the language model we'll use. We'll talk about what we're doing below in the next section
5. chat = ChatOpenAI(temperature=.7)

复制代码

现在让我们创建一些信息来模拟使用机器人的聊天体验

1. chat.invoke([
2.         SystemMessage(content="You are a nice AI bot that helps a user figure out what to eat in one short sentence"),
3.         HumanMessage(content="I like tomatoes, what should I eat?")]).content

复制代码

1. 'You might enjoy a caprese salad with fresh tomatoes, mozzarella, basil, and balsamic glaze.'

复制代码

你还可以传递更多和AI聊天的历史

1. chat.invoke([
2.         SystemMessage(content="You are a nice AI bot that helps a user figure out where to travel in one short sentence"),
3.         HumanMessage(content="I like the beaches where should I go?"),
4.         AIMessage(content="You should go to Nice, France"),
5.         HumanMessage(content="What else should I do when I'm there?")]).content

复制代码

1. 'Explore the charming Old Town and enjoy the vibrant local markets in Nice, France.'

复制代码

你还可以排除系统信息，如果需要的话

1. chat.invoke([
2.         HumanMessage(content="What day comes after Thursday?")]).content

复制代码

1. 'Friday.'

复制代码

Documents

保存一段文本和元数据（有关该文本的更多信息）的对象

1. from langchain.schema import Document

复制代码

1. Document(page_content="This is my document. It is full of text that I've gathered from other places",
2.          metadata={
3.    
4.    'my_document_id':234234,'my_document_source':"The LangChain Papers",'my_document_create_time':1680013019})

复制代码

1. Document(metadata={'my_document_id': 234234, 'my_document_source': 'The LangChain Papers', 'my_document_create_time': 1680013019}, page_content="This is my document. It is full of text that I've gathered from other places")

复制代码

但如果你不想，你不必包含元数据

1. Document(page_content="This is my document. It is full of text that I've gathered from other places")

复制代码

1. Document(page_content="This is my document. It is full of text that I've gathered from other places")

复制代码

Models(模型)-人工智能大脑的接口(The interface to the AI brains)

Language Model

一个可以输入文本➡️输出文本的模型！
Chat Model

接收一系列消息并返回消息输出的模型

1. from langchain.chat_models import ChatOpenAI
2. from langchain.schema import HumanMessage, SystemMessage, AIMessage
4. chat = ChatOpenAI(temperature=1)

复制代码

1. chat.invoke([
2.         SystemMessage(content="You are an unhelpful AI bot that makes a joke at whatever the user says"),
3.         HumanMessage(content="I would like to go to New York, how should I do this?")])

复制代码

1. AIMessage(content='Why did the scarecrow win an award? Because he was outstanding in his field!', response_metadata={'token_usage': {'completion_tokens': 17, 'prompt_tokens': 43, 'total_tokens': 60}, 'model_name': 'gpt-3.5-turbo', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-eaef1b5e-de25-4df3-ab6a-a52fe3bca608-0')

复制代码

Function Calling Model

函数调用模型与聊天模型类似，但略有不同。它们经过微调，可提供结构化数据输出。
当您对外部服务进行 API 调用或进行提取时，这会非常有用。

1. chat = ChatOpenAI(model='gpt-3.5-turbo-0613', temperature=1)
3. output = chat(messages=[
4.          SystemMessage(content="You are an helpful AI bot"),
5.          HumanMessage(content="What’s the weather like in Boston right now?")],
6.      functions=[{
7.    
8.    "name":"get_current_weather","description":"Get the current weather in a given location","parameters":{
9.    
10.    "type":"object","properties":{
11.    
12.    "location":{
13.    
14.    "type":"string","description":"The city and state, e.g. San Francisco, CA"},"unit":{
15.    
16.    "type":"string","enum":["celsius","fahrenheit"]}},"required":["location"]}}])
17. output

复制代码

1. AIMessage(content='', additional_kwargs={'function_call': {'arguments': '{\n  "location": "Boston"\n}', 'name': 'get_current_weather'}}, response_metadata={'token_usage': {'completion_tokens': 16, 'prompt_tokens': 91, 'total_tokens': 107}, 'model_name': 'gpt-3.5-turbo-0613', 'system_fingerprint': None, 'finish_reason': 'function_call', 'logprobs': None}, id='run-4ff96b3c-ec67-4d49-86f1-512046eaf4f4-0')

复制代码

看到传回给我们的额外 additional_kwargs 了吗？我们可以将其传递给外部 API 以获取数据。这省去了进行输出解析的麻烦。
Text Embedding Model

将文本转换为向量（一系列包含文本语义“含义”的数字）。主要用于比较两段文本。
顺便说一句：语义的意思是“与语言或逻辑中的含义相关”。

1. from langchain_openai import OpenAIEmbeddings
3. embeddings = OpenAIEmbeddings()

复制代码

1. text ="Hi! It's time for the beach"

复制代码

1. text_embedding = embeddings.embed_query(text)print(f"Here's a sample: {
2.      
3.      text_embedding[

复制代码

原文地址：https://blog.csdn.net/a_blade_of_grass/article/details/140371277