9 LangChain 基本用法：基本语法和结构

查看大图

LangChain Expression Language 更像把多个可运行步骤用管道接起来。理解输入和输出，比记住某个类名更重要。

概念可对照 LangChain LCEL 官方说明。

查看大图

调试一条链时，我会分别打印 prompt 输入、模型原始返回和 parser 结果。三段都看见，问题就不会藏在黑盒里。

在上一篇中，我们介绍了如何安装和配置 LangChain 以及项目的基本结构。本篇将深入探索 LangChain 的基本语法和结构，以便为你在下一篇中编写你的第一个 LangChain 程序打下基础。

LangChain 的基本概念

查看大图

LangChain 是一个用于构建与语言模型交互的框架，它提供了许多工具和组件，使得开发者能够轻松高效地构建强大的自然语言处理应用。以下是一些核心概念：

• Chain：链是 LangChain 的核心构建块，它结合了不同的操作或组件，可以按顺序执行一系列任务。
• Prompt：提示是指引语言模型生成文本的指令，可以是简单的指令，也可以是复杂的模板。
• LLM (Language Model)：语言模型是进行文本生成或理解的基础，LangChain 支持多种语言模型。
• Agent：代理是一种能够动态决策并选择合适工具以完成任务的组件。

基本语法

在使用 LangChain 时，你会频繁接触到以下几种基本语法结构：

1. 导入库和模块

首先，你需要导入 LangChain 的基本模块，以下是一个例子：

查看大图

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import SimpleChain

这里我们导入了 OpenAI 的语言模型、提示模板以及简单链。

2. 创建提示模板

使用 PromptTemplate 可以创建一个可以重复使用的提示模板。例如：

prompt_template = PromptTemplate(
    input_variables=["name"],
    template="Hello, {name}! How can I assist you today?"
)

在这个例子中，我们定义了一个模板，它会插入一个变量 name。

3. 定义链

使用 SimpleChain 可以定义一个简单的处理流程。例如，如果我们要定义一个链，把提示发送给模型并获取响应：

llm = OpenAI(temperature=0.5)  # 创建一个温度为0.5的语言模型实例
simple_chain = SimpleChain(llm=llm, prompt=prompt_template)

SimpleChain创建了一个链，使用了刚才定义的提示模板和语言模型，是将语言模型（llm）和输入模板（prompt_template）连接起来的一个简单链条。

在语言模型（如OpenAI的GPT）中，**temperature（温度）**是一个控制模型生成文本时随机性的参数。

温度的作用：

低温度（例如 0.1 到 0.3）：模型的输出变得更加 可预测 和 保守。它倾向于选择概率最高的词汇，生成的回答更为确定和一致。这通常会导致输出更正式、准确，甚至有点重复。

高温度（例如 0.7 到 1.0）：模型生成的输出变得更加 创意十足 和 多样化。在高温度下，模型更有可能选择较不可能的词汇，从而使输出更加多样化，尽管有时会导致输出的连贯性较差。

查看大图

温度如何影响输出：

温度 = 0：模型将始终选择概率最高的词汇，这会导致输出非常可预测和重复。

温度 = 1：模型的输出基于真实的概率分布，输出变得更加多样和富有创意。

温度 > 1：这会导致输出更加随机，连贯性较差，因为模型更有可能选择不太可能的词汇。

低温度示例（0.2）：

提示： “法国的首都”
回应： “巴黎。”

高温度示例（0.8）：

提示： “法国的首都”
回应： “巴黎，尽管有些人可能会认为它是爱情之城，因其艺术、历史和文化而闻名。”

低温度 = 更加可预测、安全的回答。

高温度 = 更加创意、多样化的回答，但不太可预测。

4. 执行链

完成链的定义后，你可以通过调用链的 run 方法来执行它：

response = simple_chain.run({"name": "Alice"})
print(response)

run 方法被调用，并传入一个包含 "name": "Alice" 的字典作为输入。

这个字典中的 "name" 会被用来替换 prompt_template 中的 name 占位符。

在这个示例中，我们传递了一个字典包含了 name 的值为 Alice，语言模型生成的响应将会被打印出来，结果如下所示：

"Hello, Alice! How can I assist you today?"

结构理解

LangChain 的结构可以使你易于理解和扩展。

查看大图

一般来说，一个 LangChain 程序结构如下：

1. 配置和初始化：导入所需模块，初始化模型和链的结构。
2. 提示和输入处理：使用 PromptTemplate 生成提示，接受用户输入。
3. 执行链：通过调用链的 run 方法，执行预定义操作。
4. 输出处理：处理和输出生成结果。

总结

本文介绍了 LangChain 的基本语法和结构，包括如何导入库、创建提示模板、定义和执行链等基本操作。

这些知识将为你在下一篇中编写你的第一个 LangChain 程序奠定坚实的基础。

掌握这些概念后，你将能更自信地使用 LangChain 来构建各种自然语言处理应用。

在接下来的教程中，我们将结合具体案例，引导你创建第一个 LangChain 程序。

敬请期待！