一文总结：AI大模型之LangChain基础用法

LangChain 框架简介

LangChain 是一个用于简化和扩展大型语言模型（LLMs）开发的 Python 框架。它提供了多种工具和组件来构建复杂的应用，帮助开发者将 LLMs 与各种数据源和工具集成。

基础组件

LangChain 的几个关键组件有：

1. Chains（链） Chains 允许开发者将一系列操作组合在一起以实现复杂的工作流。链中的每一步通常会调用不同的模型或工具。

   from langchain.chains import SimpleSequentialChain
   from langchain.prompts import PromptTemplate
   from langchain.llms import OpenAI
   
   # 定义 PromptTemplate
   prompt = PromptTemplate(input_variables=["input"], template="Tell me a joke about {input}.")
   
   # 使用 OpenAI 模型
   llm = OpenAI()
   
   # 创建一个简单的链
   chain = SimpleSequentialChain(chains=[llm], input_prompt=prompt)
   joke = chain.run(input="cats")
   print(joke)

2. Agents（代理） 代理是一种能够根据输入自主选择执行哪些操作的组件。代理通常可以调用工具或查询信息来执行复杂的任务。

 from langchain.agents import initialize_agent, Tool
 from langchain.llms import OpenAI
 
 # 定义工具
 tools = [
     Tool(
         name="Calculator",
         func=lambda x: eval(x),
         description="Performs basic arithmetic operations."
     )
 ]
 
 # 创建代理
 llm = OpenAI()
 agent = initialize_agent(tools, llm, agent_type="zero-shot-react-description")
 result = agent.run("What is 2 + 2?")
 print(result)

3. Memory（记忆） Memory 是为模型添加上下文记忆的组件，可以使代理或链在多轮对话中保持上下文。

 from langchain.memory import ConversationBufferMemory
 from langchain.llms import OpenAI
 from langchain.chains import ConversationChain
 
 # 创建记忆组件
 memory = ConversationBufferMemory()
 
 # 创建对话链
 llm = OpenAI()
 conversation = ConversationChain(llm=llm, memory=memory)
 conversation.run("Hello, I'm a student.")
 response = conversation.run("Can you recommend any good books?")
 print(response)

4. Tools（工具） Tools 是帮助代理执行特定任务的插件。可以是计算器、搜索引擎或数据库查询。

总结

LangChain 提供了一套完整的组件来简化 LLM 应用的开发。通过 Chains 组织工作流、利用 Agents 实现自主决策、用 Memory 保持上下文以及通过 Tools 扩展功能，开发者可以轻松构建功能丰富的 LLM 应用。