LangChain简化ChatGPT工程复杂度使用的方法是什么

这篇文章主要介绍了LangChain简化ChatGPT工程复杂度使用的方法是什么的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇LangChain简化ChatGPT工程复杂度使用的方法是什么文章都会有所收获，下面我们一起来看看吧。

什么是LangChain？

使用ChatGPT大家可能都是知道prompt， 

（1）想像一下，如果我需要快速读一本书，想通过本书作为prompt，使用ChatGPT根据书本中来回答问题，我们需要怎么做？ 

（2）假设你需要一个问答任务用到prompt A，摘要任务要使用到prompt B，那如何管理这些prompt呢？因此需要用LangChain来管理这些prompt。

LangChain的出现，简化了我们在使用ChatGPT的工程复杂度。

LangChain中的模块，每个模块如何使用？

前提：运行一下代码，需要OPENAI_API_KEY（OpenAI申请的key）,同时统一引入这些库：

# 导入LLM包装器from langchain import OpenAI, ConversationChainfrom langchain.agents import initialize_agentfrom langchain.agents import load_toolsfrom langchain.chains import LLMChainfrom langchain.prompts import PromptTemplate

LLM：从语言模型中输出预测结果，和直接使用OpenAI的接口一样，输入什么就返回什么。

llm = OpenAI(model_name="text-davinci-003", temperature=0.9) // 这些都是OpenAI的参数text = "What would be a good company name for a company that makes colorful socks?"print(llm(text)) // 以上就是打印调用OpenAI接口的返回值，相当于接口的封装，实现的代码可以看看github.com/hwchase17/langchain/llms/openai.py的OpenAIChat

以上代码运行结果：

Cozy Colours Socks.

Prompt Templates：管理LLMs的Prompts，就像我们需要管理变量或者模板一样。

prompt = PromptTemplate(    input_variables=["product"],    template="What is a good name for a company that makes {product}?",)// 以上是两个参数，一个输入变量，一个模板字符串，实现的代码可以看看github.com/hwchase17/langchain/prompts// PromptTemplate实际是基于StringPromptTemplate，可以支持字符串类型的模板，也可以支持文件类型的模板

以上代码运行结果：

What is a good name for a company that makes colorful socks?

Chains：将LLMs和prompts结合起来，前面提到提供了OpenAI的封装和你需要问的字符串模板，就可以执行获得返回了。

from langchain.chains import LLMChainchain = LLMChain(llm=llm, prompt=prompt) // 通过LLM的llm变量，Prompt Templates的prompt生成LLMChainchain.run("colorful socks") // 实际这里就变成了实际问题：What is a good name for a company that makes colorful socks？

Agents：基于用户输入动态地调用chains，LangChani可以将问题拆分为几个步骤，然后每个步骤可以根据提供个Agents做相关的事情。

# 导入一些tools，比如llm-math# llm-math是langchain里面的能做数学计算的模块tools = load_tools(["llm-math"], llm=llm)# 初始化tools，models 和使用的agentagent = initialize_agent(    tools, llm, agent="zero-shot-react-description", verbose=True)text = "12 raised to the 3 power and result raised to 2 power?"print("input text: ", text)agent.run(text)

通过如上的代码，运行结果（拆分为两个部分）：

> Entering new AgentExecutor chain... I need to use the calculator for thisAction: CalculatorAction Input: 12^3Observation: Answer: 1728Thought: I need to then raise the previous result to the second powerAction: CalculatorAction Input: 1728^2Observation: Answer: 2985984Thought: I now know the final answerFinal Answer: 2985984> Finished chain.

Memory：就是提供对话的上下文存储，可以使用Langchain的ConversationChain，在LLM交互中记录交互的历史状态，并基于历史状态修正模型预测。

# ConversationChain用法llm = OpenAI(temperature=0)# 将verbose设置为True，以便我们可以看到提示conversation = ConversationChain(llm=llm, verbose=True)print("input text: conversation")conversation.predict(input="Hi there!")conversation.predict(  input="I'm doing well! Just having a conversation with an AI.")

通过多轮运行以后，就会出现：

Prompt after formatting:
The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know.
Current conversation:
Human: Hi there!
AI:  Hi there! It's nice to meet you. How can I help you today?
Human: I'm doing well! Just having a conversation with an AI.
AI:  That's great! It's always nice to have a conversation with someone new. What would you like to talk about?

具体代码

如下：

# 导入LLM包装器from langchain import OpenAI, ConversationChainfrom langchain.agents import initialize_agentfrom langchain.agents import load_toolsfrom langchain.chains import LLMChainfrom langchain.prompts import PromptTemplate# 初始化包装器，temperature越高结果越随机llm = OpenAI(temperature=0.9)# 进行调用text = "What would be a good company name for a company that makes colorful socks?"print("input text: ", text)print(llm(text))prompt = PromptTemplate(  input_variables=["product"],  template="What is a good name for a company that makes {product}?",)print("input text: product")print(prompt.format(product="colorful socks"))chain = LLMChain(llm=llm, prompt=prompt)chain.run("colorful socks")# 导入一些tools，比如llm-math# llm-math是langchain里面的能做数学计算的模块tools = load_tools(["llm-math"], llm=llm)# 初始化tools，models 和使用的agentagent = initialize_agent(tools,                         llm,                         agent="zero-shot-react-description",                         verbose=True)text = "12 raised to the 3 power and result raised to 2 power?"print("input text: ", text)agent.run(text)# ConversationChain用法llm = OpenAI(temperature=0)# 将verbose设置为True，以便我们可以看到提示conversation = ConversationChain(llm=llm, verbose=True)print("input text: conversation")conversation.predict(input="Hi there!")conversation.predict(  input="I'm doing well! Just having a conversation with an AI.")

关于“LangChain简化ChatGPT工程复杂度使用的方法是什么”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“LangChain简化ChatGPT工程复杂度使用的方法是什么”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注编程网行业资讯频道。