如何在10分钟内使用LangChain

LangChain是一个强大的Python和Javascript/Typescript库，它可以让你快速地原型化大型语言模型应用。它允许你将LLM任务链在一起（因此得名），甚至可以让你快速轻松地运行_自主代理(autonomous agents)_。今天，我们将介绍chain的基础知识，这样你就可以立即开始你最新的LLM项目。

前言

本文主要讨论了LangChain的使用和优势。LangChain是一个对于希望快速创建大型语言模型应用的人来说非常有用的工具。它可以在几分钟内创建链、定义提示，甚至将多个LLM调用链接在一起以创建动态的TikTok脚本。

LangChain的优势在于其简单性和灵活性。无论你是经验丰富的开发者还是刚刚起步，LangChain的直观设计都让你能够像从未有过的那样利用大型语言模型的能力。从生成创意内容到运行自主代理，可能性是无穷无尽的。

此外，如果你正在寻找将AI集成到你现有的工作流程或产品中，TimeSurge Labs可以提供帮助。他们专注于AI咨询、开发、内部工具和LLM托管，他们的团队致力于构建AI的未来，并帮助你的业务在这个快速变化的行业中蓬勃发展。

该部分使用AI自动生成

要求

Python 3.9（3.10及以上版本与LangChain的一些模块存在一些问题）。
一个OpenAI API密钥

开始

我们将创建一个Python虚拟环境，并通过这种方式安装依赖项。

mkdir myproject
cd myproject
# or python3, python3.9, etc depending on your setup
python -m venv env
source env/bin/activate

完成以上步骤后，我们可以开始安装依赖项。在本教程中，我们只需要安装LangChain和OpenAI。最后，我们将使用python-dotenv来将OpenAI API密钥加载到环境中。

pip install langchain openai python-dotenv

LangChain是一个非常大的库，所以下载可能需要几分钟。在下载的同时，创建一个名为.env的新文件，并将你的API密钥粘贴进去。以下是一个示例：

OPENAI_API_KEY=Your-api-key-here

一旦完成，我们就可以创建我们的第一条chain了。

概念快速入门

在开始之前我们需要了解一些基础的概念。

Chain: 可以被看作是一个与LLM（语言模型）交互或在列表中进行多次LLM调用的行动列表。一个链由三个简单的部分组成。 a. 提示模板 - 这样你可以快速改变输入而不改变提示。 b. LLM - 实际运行你的提示的AI。 c. 输出解析器 - 将输出转换成有用的东西，通常只是另一个字符串。

编写Chain

对于这个例子，我们将编写一个生成TikTok脚本的链（毕竟我是一个Zoomer）用于一个教育频道。首先，我们需要生成一个TikTok的描述。我们将使用提示模板，以便我们可以稍后重用提示。

# prompts.py
from langchain.prompts import PromptTemplate

description_prompt = PromptTemplate.from_template(
   "Write me a description for a TikTok about {topic}")

这可以在chain中使用。在我们定义链之前，我们需要为chain定义一个LLM。LangChain建议大多数用户应该使用ChatOpenAI类，以获得ChatGPT API的成本效益和简单性。

# chain.py
from langchain.chat_models import ChatOpenAI
from langchain.chains import LLMChain
from dotenv import load_dotenv
from prompts import description_prompt

# loads the .env file
load_dotenv()

llm = ChatOpenAI(model_name="gpt-3.5-turbo")

完成以上步骤后，我们就可以创建chain了。

description_chain = LLMChain(llm=llm, prompt=description_prompt, verbose=True)

现在我们可以使用**.predict**来调用新的chain。

output = description_chain.predict(topic="Cats are cool")
print(output)

这是输出结果：

😻 Unleash your inner feline aficionado! From their enchanting eyes to their purrfectly mysterious ways, cats are the epitome of coolness. 🐾 Watch as they effortlessly own their spaces, teaching us the art of relaxation and play. Whether they're mastering acrobatics or curling up for a catnap, their cool vibes are undeniable. 😎 Join the cat craze and embrace the awesomeness of these four-legged trendsetters! 🐱💫 #CatsRule #CoolCats #FelineVibes

中文翻译：😻 释放你内心的猫咪爱好者！从他们迷人的眼睛到他们完美的神秘方式，猫咪是酷的象征。🐾 观察他们如何毫不费力地拥有自己的空间，教我们放松和玩耍的艺术。无论他们是在掌握杂技还是卷起来打个猫觉，他们的酷劲是无法否认的。😎 加入猫咪狂热，拥抱这些四足潮流引领者的酷炫！🐱💫 #猫咪统治 #酷猫 #猫咪氛围

现在我们有了一个描述，我们需要让它写一个脚本。这就是chain的作用 - 我们可以使用稍微不同的提示再次依次调用LLM。首先，让我们为下一个chain定义一个新的提示。

# add to prompts.py

script_prompt = PromptTemplate.from_template(
    "Write me a script for a TikTok given the following description: {description}")

这是你现在的chain.py应该是这样子的。

# chain.py
from langchain.chat_models import ChatOpenAI
from langchain.chains import LLMChain
from dotenv import load_dotenv
# this line changed!!!!!
from prompts import description_prompt, script_prompt

# loads the .env file
load_dotenv()

llm = ChatOpenAI(model_name="gpt-3.5-turbo")

description_chain = LLMChain(llm=llm, prompt=description_prompt, verbose=True)

output = description_chain.predict(topic="Cats are cool")
print(output)

# new code below this line
script_chain = LLMChain(llm=llm, prompt=script_prompt)
script = script_chain.predict(description=output, verbose=True)
# 原文是script = description_chain.predict(description=output, verbose=True)，应该是错误
print(script)

这是新的输出结果：

[Opening shot: A close-up of a cat's mesmerizing eyes, slowly blinking.]

Narrator (Voiceover): "😻 Unleash your inner feline aficionado!"

[Cut to a sleek cat walking confidently through a room, tail swaying gracefully.]

Narrator (Voiceover): "From their enchanting eyes to their purrfectly mysterious ways..."

[Transition to a montage of cats lounging in different relaxed poses.]

Narrator (Voiceover): "Cats are the epitome of coolness. 🐾"

[Show a cat effortlessly jumping onto a high shelf, landing with precision.]

Narrator (Voiceover): "Watch as they effortlessly own their spaces..."

[Cut to a person lying on the couch while a cat playfully bats at a string toy.]

Narrator (Voiceover): "Teaching us the art of relaxation and play."

[Show a cat doing a graceful mid-air flip while chasing a feather toy.]

Narrator (Voiceover): "Whether they're mastering acrobatics..."

[Transition to a cozy scene of a cat curled up in a sunlit spot, eyes half-closed.]

Narrator (Voiceover): "Or curling up for a catnap..."

[Cut to a group of cats with various personalities and fur patterns.]

Narrator (Voiceover): "Their cool vibes are undeniable."

[Show a person petting a content cat, both sharing a moment of connection.]

Narrator (Voiceover): "😎 Join the cat craze and embrace the awesomeness..."

[Cut to a playful cat chasing its tail, accompanied by a cheerful laugh.]

Narrator (Voiceover): "...of these four-legged trendsetters!"

[End with a shot of a cat sitting regally, gazing confidently into the camera.]

Narrator (Voiceover): "🐱💫 #CatsRule #CoolCats #FelineVibes"

[Fade out with a final glimpse of a cat's eyes.]

Narrator (Voiceover): "Because when it comes to cool, cats wrote the book."

[End screen: "Follow for more feline fun!"]

[Background music fades out as the TikTok video concludes.]

中文翻译：[切换到一个玩耍的猫追逐它的尾巴的镜头，伴随着一阵欢快的笑声。]

旁白（配音）："...这些四足的潮流引领者！"

[以一只猫坐得像皇族一样，自信地凝视着摄像机的镜头结束。]

旁白（配音）："🐱💫 #猫咪统治 #酷猫 #猫咪氛围"

[以猫眼的最后一瞥淡出。]

旁白（配音）："因为当谈到酷，猫咪写下了规则。"

[结束画面："关注更多的猫咪乐趣！"]

[随着TikTok视频的结束，背景音乐渐渐淡出。]

像这样使用它们是可以的，但是如果我们想要将它们链在一起呢？这就是Sequential Chains的作用。这些允许你将多个链绑定到一个函数调用中，它们按照定义的顺序执行。有两种类型的顺序链，我们只关注简单的顺序链。将Chain导入行编辑为以下内容：

from langchain.chains import LLMChain, SimpleSequentialChain

将LLM链移动到文件的顶部，删除print语句和.predict调用。

# chain.py
from langchain.chat_models import ChatOpenAI
from langchain.chains import LLMChain, SimpleSequentialChain
from dotenv import load_dotenv
# this line changed!!!!!
from prompts import description_prompt, script_prompt

# loads the .env file
load_dotenv()

llm = ChatOpenAI(model_name="gpt-3.5-turbo")

description_chain = LLMChain(llm=llm, prompt=description_prompt)
script_chain = LLMChain(llm=llm, prompt=script_prompt)

tiktok_chain = SimpleSequentialChain(chains=[description_chain, script_chain], verbose=True)

script = tiktok_chain.run("cats are cool")

print(script)

输出结果如下：

Title: #CoolCatsRule

INT. LIVING ROOM - DAY

A trendy, upbeat song begins playing as the camera pans across a stylishly decorated living room. Various cat-themed decorations can be seen, setting the perfect atmosphere for showcasing the undeniable coolness of cats.

CUT TO:

INT. BEDROOM - DAY

A YOUNG WOMAN, in her early twenties, stands in front of a full-length mirror. She wears trendy clothes and holds a CAT, who seems equally as cool, in her arms.

YOUNG WOMAN
(looking into the mirror)
Ready to show the world why cats rule!

The young woman gently places the cat on the ground as the camera zooms in on the feline.

CUT TO:

INT. KITCHEN - DAY

A CAT sits on the kitchen counter, effortlessly balancing on one paw while wearing sunglasses. The camera pans around it, capturing its cool demeanor.

CUT TO:

INT. BACKYARD - DAY

A CAT lounges in a hammock, wearing a tiny hat and reading a book. The camera captures its relaxed and sophisticated vibe.

CUT TO:

INT. LIVING ROOM - DAY

The young woman sits on the couch, surrounded by a group of COOL CATS. Each cat showcases their unique coolness, like one wearing a leather jacket and another playing a tiny electric guitar.

YOUNG WOMAN
(points to the cats)
See? Cats rule!

The camera zooms in on the cats, showing their undeniable feline awesomeness.

CUT TO:

INT. LIVING ROOM - DAY

The young woman and her cool cats gather around a table, where they enjoy a mini-cat party. There are cat-themed snacks, funky drinks, and even a DJ cat scratching vinyl records.

CUT TO:

INT. LIVING ROOM - DAY

The young woman holds up a sign saying "#CoolCatsRule" as the cats pose beside her. The camera pans out to reveal a fun, energetic dance routine as they all groove to the beat.

CUT TO:

INT. LIVING ROOM - DAY

The young woman and her cool cats strike a final pose, with the camera capturing their undeniable coolness.

YOUNG WOMAN
(looking at the camera)
Remember, folks, cats rule!

The screen fades out with the hashtag #CoolCatsRule displayed prominently.

FADE OUT.

中文翻译：室内。客厅 - 白天

年轻女子举起一个写着"#CoolCatsRule"的牌子，猫咪们在她旁边摆好姿势。摄像机拉远，展示出一个充满活力的舞蹈，他们都在随着节奏摇摆。

切换到：

室内。客厅 - 白天

年轻女子和她酷猫们摆出最后的姿势，摄像机捕捉到他们无可否认的酷劲。

年轻女子 (看着摄像机) 记住，大家，猫咪才是真正的主宰！

屏幕以#CoolCatsRule的标签显眼地淡出。

淡出

总结

LangChain对于任何希望快速原型化大型语言模型应用的人来说都是一个游戏规则改变者。在短短几分钟内，我们已经走过了创建chain、定义提示，甚至将多个LLM调用链在一起以创建动态的TikTok脚本的过程。

LangChain的力量在于其简单性和灵活性。无论你是经验丰富的开发者还是刚刚起步，LangChain的直观设计都让你能够像从未有过的那样利用大型语言模型的能力。从生成创意内容到运行自主代理，可能性是无穷无尽的。

那么为什么等待呢？立即深入LangChain，释放你的项目中的AI潜力。如果你正在寻找将AI集成到你现有的工作流程或产品中，TimeSurge Labs在这里提供帮助。我们专注于AI咨询、开发、内部工具和LLM托管，我们的热情的AI专家团队致力于构建AI的未来，并帮助你的业务在这个快速变化的行业中蓬勃发展。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

大模型 AI 能干什么？
大模型是怎样获得「智能」的？
用好 AI 的核心心法
大模型应用业务架构
大模型应用技术架构
代码示例：向 GPT-3.5 灌入新知识
提示工程的意义和核心思想
Prompt 典型构成
指令调优方法论
思维链和思维树
Prompt 攻击和防范
…

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
…

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

为什么要做 RAG
什么是模型
什么是模型训练
求解器 & 损失函数简介
小实验2：手写一个简单的神经网络并训练它
什么是训练/预训练/微调/轻量化微调
Transformer结构简介
轻量化微调
实验数据集的构建
…

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。