介绍
当前，人工智能大模型公司如雨后春笋般迅速涌现，例如 OpenAI、文心一言、通义千问等，它们提供了成熟的 API 调用服务。然而，随之而来的是不同公司的繁琐协议接入过程，这让许多开发者感到头疼不已。有没有一种统一的工具，能够让我们一次性接入所有公司的 API 协议，并且基于它们的底层能力封装出各种酷炫功能呢？今天，这样的工具终于来了——Langchain，它以坚实的步伐走来，为我们带来了极大的便利和创新。
Langchain 是一个专为适配各家大模型 API 而生的框架，不仅如此，它还封装了各种重要模块，使得大家能够轻松搭建出各种令人惊叹的人工智能应用。以下代码基于 langchain 2.0 版本实现
模块介绍：
-
Model： 这一模块的重要性不言而喻。Langchain 的 Model 模块致力于适配各大模型公司的接口协议，使得接入过程更加简单和高效。不再需要为每个公司的特殊协议而烦恼，Langchain 帮助您一次性搞定。
-
Prompt： 提示词的运用是大模型输出准确性的关键。Langchain 的 Prompt 模块不仅让大模型能更准确地输出我们期望的回答，还衍生出了“提示工程”。建议在使用大模型之前先查看提示工程，以获得更好的结果和体验。
-
History： 大模型本身并不具备记忆功能，这带来了一个看似矛盾的问题：为什么像 ChatGPT 这样的模型能够联系到我们之前的提问并给出相关回复呢？Langchain 的 History 模块揭示了这个谜团的解答。其实，实现原理非常简单，只需将你的上一个提问一并发送给大模型即可。当然，实际实现中还涉及一些问题，比如如何标识同一轮对话、信息存储位置、处理过多文本等等。因此，需要自行实现部分逻辑，但 Langchain 为您提供了思路和基础。
言归正传，让我们开始实战代码，探索 Langchain 带来的无限可能吧！
快速开始
1. 先安装依赖，以openai为例
pip install langchainpip install -qU langchain-openai2. 初始化model
import osos.environ["OPENAI_API_KEY"] = "sk-xxx"from langchain_openai import ChatOpenAImodel = ChatOpenAI(model="gpt-3.5-turbo")3. 发起请求
from langchain_core.messages import HumanMessageresponse = model.invoke([HumanMessage(content="你好")])response.content4.得到回答
'你好！有什么可以帮助你的吗？'🎉 恭喜你，你已经可以成功使用langchain调用大模型api了
加入历史记忆实现连续对话
经过以上步骤，你已经可以跟大模型进行聊天，但是有个问题，现在他是不会记忆上一轮的回答的，你上一句问他东西，他转头就忘了，那该怎么办呢？那就给他加上历史记忆好了
# 没有 history memoryfrom langchain_core.messages import HumanMessagequestion_1 = "你好，我叫小明"
result_1 = model.invoke([HumanMessage(content=f"{question_1}")])
print(result_1.content)question_2 = "我叫什么名字"
result_2 = model.invoke([HumanMessage(content=f"{question_2}")])
print(result_2.content)返回结果
你好，小明！有什么可以帮助你的吗？
抱歉，我无法回答这个问题，因为我不知道您的名字。您可以告诉我您的名字吗？我会很高兴称呼您的名字。开头也说了，大模型是没有记忆功能的，目前业界的实现方式都是通过各自实现存储，在聊天中将上一轮的问答也一起发送过去，让大模型有了“记忆”，那最简单的方法就是用个list存储，然后每次回答都带上去就好了
# 简单实现 history memoryfrom langchain_core.messages import HumanMessagestore = []question_1 = "你好，我叫小明"
result_1 = model.invoke([HumanMessage(content=f"{question_1}")])
print(result_1.content)store.append({"human": question_1, "ai": result_1.content})question_2 = "我叫什么名字"
result_2 = model.invoke([HumanMessage(content=f"history: {store} {question_2} ")])
print(result_2.content)返回结果：
你好，小明！有什么可以帮助你的吗？
你的名字是小明。有什么可以帮助你的吗？如果有任何问题，随时问我吧！神奇的事情发生了，大模型有“记忆”了
当然，langchain也为我们提供了方便的实现，让我们不用显式的写history
pip install langchain_community# 使用官方模块实现from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.chat_history import BaseChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistorystore = {}def get_session_history(session_id: str) -> BaseChatMessageHistory:if session_id not in store:store[session_id] = ChatMessageHistory()return store[session_id]with_message_history = RunnableWithMessageHistory(model, get_session_history)config = {"configurable": {"session_id": "abc2"}}question_1 = "你好，我叫小明"
result_1 = with_message_history.invoke([HumanMessage(content=f"{question_1}")],config=config)
print(result_1.content)question_2 = "我叫什么名字"
result_2 = with_message_history.invoke([HumanMessage(content=f"{question_2}")],config=config)
print(result_2.content)你好小明，有什么可以帮助你的吗？
你告诉我你叫小明。同时langchain还提供了更多类型的memory实现，让我们可以使用redis去存储历史记录，这个就留给大家自己实现了 Redis | 🦜️🔗 LangChain
加入提示词prompt格式化回答
在上述的实现中，我们的做法就是简单的字符串拼接发送给大模型，使用prompt可以让我们更好的格式化我们的输入
# 加入promptfrom langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.chat_history import BaseChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderstore = {}def get_session_history(session_id: str) -> BaseChatMessageHistory:if session_id not in store:store[session_id] = ChatMessageHistory()return store[session_id]prompt = ChatPromptTemplate.from_messages([("system","在每一句话结尾都加上 回复完毕",),MessagesPlaceholder(variable_name="messages"),]
)chain = prompt | modelwith_message_history = RunnableWithMessageHistory(chain, get_session_history)config = {"configurable": {"session_id": "abc2"}}question_1 = "你好，我叫小明"
result_1 = with_message_history.invoke([HumanMessage(content=f"{question_1}")],config=config)
print(result_1.content)question_2 = "我叫什么名字"
result_2 = with_message_history.invoke([HumanMessage(content=f"{question_2}")],config=config)
print(result_2.content)你好，小明。有什么可以帮助你的吗？回复完毕
您的名字是小明。回复完毕🎉 这样你就完成了一个能连续对话的ai机器人啦
