LangChain入门：构建LLM驱动的应用程序的初学者指南

一、介绍

你有没有想过如何使用大型语言模型（LLM）构建强大的应用程序？或者，也许您正在寻找一种简化的方式来开发这些应用程序？那么你来对地方了！本指南将向您介绍LangChain，这是一个简化构建LLM驱动的应用程序的过程的工具。我们还将深入研究 DemoGPT，这是一项尖端技术，可自动执行管道生成过程，提供无缝的开发体验。

二、开始使用语言链

LangChain是一个促进端到端语言模型应用程序开发的平台。要开始使用 LangChain 开始您的旅程，第一步是安装它。详细的安装说明可以在 LangChain 文档中找到。我们这里简述为：

11 最低安装

pip install langchain

这将安装 LangChain 的最低要求。 LangChain 的很多价值在于将其与各种模型提供程序、数据存储等集成。默认情况下，并未安装执行此操作所需的依赖项。然而，还有另外两种安装 LangChain 的方法可以引入这些依赖项。

2 要安装常见 LLM 提供程序所需的模块，请运行：

pip install langchain[llms]

3 要安装所有集成所需的所有模块，请运行：

pip install langchain[all]

请注意，如果使用，则在将方括号作为参数传递给命令时，需要用方括号括起来，例如：zsh

pip install 'langchain[all]'

安装后，您需要将LangChain与大型语言模型（LLM）集成。在本指南中，我们将使用 OpenAI 的 API，这些 API 不需要额外的设置。

三、使用 LangChain 构建语言模型应用程序

在设置 LangChain 并将其与 LLM 集成之后，有趣的部分开始了——构建您的语言模型应用程序。LangChain 提供了各种模块，您可以组合这些模块来创建复杂的应用程序或单独用于更简单的应用程序。

3.1 使用法学LLM进行预测

LangChain最基本的构建块是在某些输入上调用LLM。例如，假设我们正在创建一个服务，该服务根据公司制作的内容生成公司名称。下面是如何使用 LangChain 实现此目的的简单示例：

import { OpenAI } from "langchain/llms/openai"; 
const model = new OpenAI({ openAIApiKey: "sk-…", temperature: 0.9 }); 
const res = await model.call("What would be a good company name for a company that makes colorful socks?"); 
console.log(res); // Outputs: '\n\nFantasy Sockery'

3.2 管理LLM的提示

在应用程序中使用 LLM 时，通常不会将用户输入直接发送到 LLM。相反，您将使用用户输入构造提示并将其发送到 LLM。LangChain 使这变得简单：

import { PromptTemplate } from "langchain/prompts"; 
const template = "What is a good name for a company that makes {product}?"; 
const prompt = new PromptTemplate({ template: template, inputVariables: ["product"] }); 
const res = await prompt.format({ product: "colorful socks" }); 
console.log(res); // Outputs: 'What is a good name for a company that makes colorful socks?'

3.3 使用 LangChain 创建多步骤工作流

实际应用程序不仅仅是单个基元，而是它们的组合。LangChain 允许您创建由链接组成的链，这些链接可以是原语，如 LLM 或其他链。下面是如何创建 LLMChain 的示例，该 LLMChain 使用 PromptTemplate 格式化用户输入并将格式化的响应传递给 LLM：

import { OpenAI } from "langchain/llms/openai"; 
import { PromptTemplate } from "langchain/prompts"; 
import { LLMChain } from "langchain/chains";
const model = new OpenAI({ temperature: 0.9 }); 
const template = "What is a good name for a company that makes {product}?"; 
const prompt = new PromptTemplate({ template: template, inputVariables: ["product"] }); 
const chain = new LLMChain({ llm: model, prompt: prompt });
const res = await chain.call({ product: "colorful socks
" }); 
console.log(res); // Outputs: { text: '\n\nColorfulCo Sockery.' }