使用聊天模型和提示模板构建一个简单的 LLM 应用程序

在本快速入门中，我们将向您展示如何使用 LangChain 构建简单的 LLM 应用程序。此应用程序会将文本从英语翻译成另一种语言。这是一个相对简单的 LLM 应用程序 - 它只是一个 LLM 调用加上一些提示。尽管如此，这仍然是开始使用 LangChain 的好方法 - 只需一些提示和 LLM 调用即可构建许多功能！

阅读本教程后，您将对以下内容有一个大致的了解：

使用语言模型
使用提示模板
使用 LangSmith 调试和跟踪应用程序

让我们开始吧！

设置

Jupyter 笔记本

本教程和其他教程可能在 Jupyter 笔记本中运行最方便。在交互式环境中浏览指南是更好地了解它们的好方法。有关如何安装的说明，请参阅此处。

安装

要安装 LangChain，请运行：

果仁
康达

pip install langchain

conda install langchain -c conda-forge

有关更多详细信息，请参阅我们的安装指南。

LangSmith

您使用 LangChain 构建的许多应用程序将包含多个步骤，其中包含多次调用 LLM 调用。随着这些应用程序变得越来越复杂，能够检查您的链条或代理内部到底发生了什么变得至关重要。最好的方法是使用 LangSmith。

在上面的链接中注册后，请确保设置环境变量以开始记录跟踪：

export LANGSMITH_TRACING="true"
export LANGSMITH_API_KEY="..."
export LANGSMITH_PROJECT="default" # or any other project name

或者，如果在笔记本中，您可以通过以下方式设置它们：

import getpass
import os

try:
    # load environment variables from .env file (requires `python-dotenv`)
    from dotenv import load_dotenv

    load_dotenv()
except ImportError:
    pass

os.environ["LANGSMITH_TRACING"] = "true"
if "LANGSMITH_API_KEY" not in os.environ:
    os.environ["LANGSMITH_API_KEY"] = getpass.getpass(
        prompt="Enter your LangSmith API key (optional): "
    )
if "LANGSMITH_PROJECT" not in os.environ:
    os.environ["LANGSMITH_PROJECT"] = getpass.getpass(
        prompt='Enter your LangSmith Project Name (default = "default"): '
    )
    if not os.environ.get("LANGSMITH_PROJECT"):
        os.environ["LANGSMITH_PROJECT"] = "default"
if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass.getpass(
        prompt="Enter your OpenAI API key (required if using OpenAI): "
    )

使用语言模型

首先，让我们学习如何单独使用语言模型。LangChain 支持许多不同的语言模型，您可以互换使用。有关开始使用特定模型的详细信息，请参阅支持的集成。

选择聊天模式：

pip install -qU "langchain[openai]"

import getpass
import os

if not os.environ.get("OPENAI_API_KEY"):
  os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter API key for OpenAI: ")

from langchain.chat_models import init_chat_model

model = init_chat_model("gpt-4o-mini", model_provider="openai")

我们首先直接使用模型。ChatModel 是 LangChain Runnables 的实例，这意味着它们公开了用于与它们交互的标准接口。要简单地调用模型，我们可以将消息列表传递给.invoke方法。

from langchain_core.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage("Translate the following from English into Italian"),
    HumanMessage("hi!"),
]

model.invoke(messages)

API 参考：HumanMessage | SystemMessage 系统

AIMessage(content='Ciao!', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 3, 'prompt_tokens': 20, 'total_tokens': 23, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-4o-mini-2024-07-18', 'system_fingerprint': 'fp_0705bf87c0', 'finish_reason': 'stop', 'logprobs': None}, id='run-32654a56-627c-40e1-a141-ad9350bbfd3e-0', usage_metadata={'input_tokens': 20, 'output_tokens': 3, 'total_tokens': 23, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}})

提示

如果我们启用了 LangSmith，我们可以看到此运行已记录到 LangSmith 中，并且可以看到 LangSmith 跟踪。LangSmith 跟踪报告令牌使用信息、延迟、标准模型参数（例如温度）和其他信息。

请注意，ChatModels 接收消息对象作为输入，并生成消息对象作为输出。除了文本内容之外，消息对象还传达会话角色并保存重要数据，例如工具调用和令牌使用计数。

LangChain 还支持通过字符串或 OpenAI 格式输入聊天模型。以下是等效的：

model.invoke("Hello")

model.invoke([{"role": "user", "content": "Hello"}])

model.invoke([HumanMessage("Hello")])

流

由于聊天模型是 Runnables，因此它们公开了一个标准接口，其中包括异步和流式调用模式。这允许我们从聊天模型中流式传输单个令牌：

for token in model.stream(messages):
    print(token.content, end="|")

|C|iao|!||

您可以在本指南中找到有关流式聊天模型输出的更多详细信息。

提示模板

现在，我们将消息列表直接传递到语言模型中。此消息列表来自何处？通常，它是由用户输入和应用程序逻辑的组合构建的。此应用程序逻辑通常采用原始用户输入，并将其转换为准备传递给语言模型的消息列表。常见转换包括添加系统消息或使用用户输入设置模板格式。

提示模板是 LangChain 中的一个概念，旨在协助进行这种转换。它们接收原始用户输入并返回准备传递到语言模型的数据（提示）。

让我们在这里创建一个提示模板。它将接受两个用户变量：

language：要将文本翻译成的语言
text：要翻译的文本

from langchain_core.prompts import ChatPromptTemplate

system_template = "Translate the following from English into {language}"

prompt_template = ChatPromptTemplate.from_messages(
    [("system", system_template), ("user", "{text}")]
)

API 参考：ChatPromptTemplate

请注意，ChatPromptTemplate支持在单个模板中使用多个消息角色。我们将language参数添加到系统消息中，并且用户text添加到用户消息中。

此提示模板的输入是字典。我们可以单独使用这个提示模板，看看它自己做了什么

prompt = prompt_template.invoke({"language": "Italian", "text": "hi!"})

prompt

ChatPromptValue(messages=[SystemMessage(content='Translate the following from English into Italian', additional_kwargs={}, response_metadata={}), HumanMessage(content='hi!', additional_kwargs={}, response_metadata={})])

我们可以看到它返回了一个ChatPromptValue，该消息由两条消息组成。如果我们想直接访问消息，我们会这样做：

prompt.to_messages()

[SystemMessage(content='Translate the following from English into Italian', additional_kwargs={}, response_metadata={}),
 HumanMessage(content='hi!', additional_kwargs={}, response_metadata={})]

最后，我们可以在格式化的提示符上调用 chat 模型：

response = model.invoke(prompt)
print(response.content)

Ciao!

提示

消息content可以同时包含具有附加结构的文本块和内容块。有关更多信息，请参阅本指南。

如果我们看一下 LangSmith 跟踪，我们可以准确地看到聊天模型收到了什么提示，以及令牌使用信息、延迟、标准模型参数（如温度）和其他信息。

结论

就是这样！在本教程中，您学习了如何创建您的第一个简单 LLM 应用程序。您已经学习了如何使用语言模型、如何创建提示模板，以及如何在使用 LangSmith 创建的应用程序中实现出色的可观测性。

这只是触及了您想要学习成为熟练 AI 工程师的皮毛。幸运的是 - 我们还有很多其他资源！

要进一步了解 LangChain 的核心概念，我们提供了详细的概念指南。

如果您对这些概念有更具体的问题，请查看操作指南的以下部分：

LangSmith 文档：

LangSmith