目前LangChain框架在集团大模型接入手册中的学习案例有限，为了让大家可以快速系统地了解LangChain大模型框架并开发，产出此文章。本文章包含了LangChain的简介、基本组件和可跑的代码案例（包含Embedding、Completion、Chat三种功能模型声明）。读完此文章，您可利用集团申请的api key+LangChain框架进行快速开发，体验大语言模型的魅力。
一、简介
LangChain 作为一个大语言模型（LLM）集成框架，旨在简化使用大语言模型的开发过程，包括如下组件：
LangChain框架优点：
1.多模型支持：LangChain 支持多种流行的预训练语言模型，如 OpenAI GPT-3、Hugging Face Transformers 等，为用户提供了广泛的选择。
2.易于集成：LangChain 提供了简单直观的API，可以轻松集成到现有的项目和工作流中，无需深入了解底层模型细节。
3.强大的工具和组件：LangChain 内置了多种工具和组件，如文档加载器、文本转换器、提示词模板等，帮助开发者处理复杂的语言任务。
4.可扩展性：LangChain 允许开发者通过自定义工具和组件来扩展框架的功能，以适应特定的应用需求。
5.性能优化：LangChain 考虑了性能优化，支持高效地处理大量数据和请求，适合构建高性能的语言处理应用。
6.Python 和 Node.js 支持：开发者可以使用这两种流行的编程语言来构建和部署LangChain应用程序。
由于支持 Node.js ，前端大佬们可使用Javascript语言编程从而快速利用大模型能力，无需了解底层大模型细节。同时也支持JAVA开发，后端大佬同样适用。
本篇文章案例聚焦Python语言开发。
二、基本组件
?Prompt【可选】
?告知LLM内system服从什么角色
?占位符：设置{input}以便动态填补后续用户输入
?Retriever【可选】
?LangChain一大常见应用场景就是RAG（Retrieval-Augmented Generation），RAG 为了解决LLM中语料的通用和时间问题，通过增加最新的或者垂类场景下的外部语料，Embedding化后存入向量数据库，然后模型从外部语料中寻找相似语料辅助回复
?Models
?可做 Embedding化，语句补全，对话等
支持的模型选择，OpenAI为例
?Parser【可选】
?StringParser，JsonParser 等
?将模型输出的AIMessage转化为string, json等易读格式
上述介绍了Langchain开发中常见的components，接下来将通过一简单案例将上述组件串起来，让大家更熟悉Langchain中的组件及接口调用。
三、小试牛刀
import os# gpt 网关调用os.environ["OPENAI_API_KEY"] = "{申请的集团api key}"os.environ["OPENAI_API_BASE"] = "{您的url}"import openaifrom dotenv import load_dotenv, find_dotenv_ = load_dotenv(find_dotenv)openai.api_key = os.environ['OPENAI_API_KEY']from langchain.prompts import ChatPromptTemplatefrom langchain.chat_models import ChatOpenAIfrom langchain.schema.output_parser import StrOutputParserprompt = ChatPromptTemplate.from_template( "tell me a short joke about {topic}")model = ChatOpenAIoutput_parser = StrOutputParserchain = prompt | model | output_parserchain.invoke({"topic": "bears"})
输出：
"Why don't bears wear shoes? Because they have bear feet!"
其中 chain = prompt | model | output_parser 按照数据传输顺序将上述声明的 prompt template、大语言模型、输出格式串联起来（Chain），逻辑清晰直接。
代码案例：调用Embedding、Completion、Chat Model
?将文本转化为Embedding ： langchain_community.embeddings <-> OpenAIEmbeddings
from langchain_community.embeddings import OpenAIEmbeddingsembeddings = OpenAIEmbeddings( model="text-embedding-ada-002", openai_api_key=os.environ["OPENAI_API_KEY"], openai_api_base=os.environ["OPENAI_API_BASE"])text = "text"query_result = embeddings.embed_query(text)
?文本补全：langchain_community.llms <-> OpenAI completion
from langchain_community.llms import OpenAIllm = OpenAI( model_name='gpt-35-turbo-instruct-0914', openai_api_key=os.environ["OPENAI_API_KEY"], base_url=base_url, temperature=0)llm.invoke("I have an order with order number 2022ABCDE, but I haven't received it yet. Could you please help me check it?")
?对话模型：langchain_openai <-> ChatOpenAI
from langchain_openai import ChatOpenAImodel = ChatOpenAI(model_name="gpt-35-turbo-1106") # "glm-4"model.invoke("你好，你是智谱吗？")
四、总结
LangChain作为一个使用流程直观的大模型开发框架，掌握它优势多多。希望您可以通过上述内容入门并熟悉LangChain框架，欢迎多多交流！
