大模型应用开发-LangChain入门教程

• 作者简介：一名后端开发人员，每天分享后端开发以及人工智能相关技术，行业前沿信息，面试宝典。
• 座右铭：未来是不可确定的，慢慢来是最快的。
• 个人主页：极客李华-CSDN博客
• 合作方式：私聊+
• 这个专栏内容：用最低价格鼓励和博主一起在寒假打卡高频大厂算法题，连续一个月，提升自己的算法实力，为了算法比赛或者春招。
• 我的CSDN社区：https://bbs.csdn.net/forums/99eb3042821a4432868bb5bfc4d513a8
• 微信公众号，抖音，b站等平台统一叫做：极客李华，加入微信公众号领取各种编程资料，加入抖音，b站学习面试技巧，职业规划

简介：本文讲解如何使用LangChain来构造大模型应用。

LangChain简介

LangChain是一个编程框架，主要用于在应用程序中集成大型语言模型（LLM）。LangChain提供了记忆组件，用于解决大语言模型无状态的问题，使得模型能够保存上次交互的内容，从而能够更好地进行连续的对话或任务处理。

此外，LangChain还提供了多种类型的Chain类，用于处理不同的任务。其中，通用Chain类用于控制Chain的调用顺序和是否调用，它们可以用来合并构造其他的Chain。具体Chain类则承担了具体的某项任务，例如LLMChain专门用于针对语言模型LLM的查询，可以格式化prompt以及调用语言模型。

入门案例

openAI版本

• 获取接口
• 首先需要进入openAI官网，查看自己的接口。

• 创建接口
  
  
• 创建成功之后就有密钥了

• 编写代码

在最新版的LangChain教程中，取消了直接使用key的方式，要把key先配置成环境变量，然后调用，自己的电脑的环境变量才能够运行，提高了安全性。

• 配置环境变量
  

import os  
import openai  
  
# 假设 open_api_key 是一个环境变量名，而不是API密钥本身  
open_api_key_env_var = "openAI-key"  # 最好使用有意义的环境变量名  
openai_api_key = os.environ.get(open_api_key_env_var)  
  
# 确保API密钥已设置  
if not openai_api_key:  
    raise ValueError(f"Environment variable {open_api_key_env_var} is not set.")  
  
# 初始化OpenAI客户端  
client = openai.Client(api_key=openai_api_key)  
  
def get_completion(prompt, model="gpt-3.5-turbo"):  
    # 使用传入的prompt构建消息列表  
    messages = [{"role": "user", "content": prompt}]  
  
    try:  
        # 调用API并传入参数  
        response = client.chat.completions.create(  
            model=model,  
            messages=messages,  
        )  
  
        # 从响应中提取聊天完成的内容  
        return response.get("choices", [{}])[0].get("message", {}).get("content", "")  
  
    except Exception as e:  
        # 异常处理  
        print(f"An error occurred: {e}")  
        return None  
  
# 使用函数示例  
prompt_text = "Hello, how are you?"  
result = get_completion(prompt_text)  
print(result)

运行这个代码想要成功，必须要自己的openai账户有钱，才可以，但是正常情况下，大家也充值不了，所以只能够采取代理的方法了。

代理版本

通过下面的链接：https://referer.shadowai.xyz/r/1005029就可以进入代理版本，注册代理接口。

• 再点击使用文档就可以看见详细的教程了

• 编写代码

from openai import OpenAI

client = OpenAI(
    base_url='https://api.openai-proxy.org/v1',
    api_key='xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx',
)

chat_completion = client.chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "Say hi", # 我要问的问题
        }
    ],
    model="gpt-3.5-turbo",
)
# 获取choices列表中的第一个元素（通常只有一个choice）  
choice = chat_completion.choices[0]  
  
# 从choice中获取message对象  
message = choice.message  
  
# 获取message的内容  
content = message.content  
  
# 打印内容  
print(content)

• 运行结果

可以看出已经运行成功了，这样我们就可以训练一个属于自己的大模型应用了，或者把接口整合到自己的网站中。