LangChain 技术梳理：从入门到实践

#LangChain的“hello world”，以qwen模型为例
import os
import dotenv 
from langchain_openai import OpenAI
dotenv.load_dotenv() #可以添加参数 override=True 来清理旧缓存的环境变量
os.environ["DASHSCOPE_API_KEY"]=os.getenv("DASHSCOPE_API_KEY")
os.environ["DASHSCOPE_BASE_URL"]=os.getenv("DASHSCOPE_BASE_URL")
llm = ChatOpenAI(    #在这里调用的是ChatModels，既可以生成AImessage，也可以生成List或PromptValue
    model="qwen-plus",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url=os.getenv("DASHSCOPE_BASE_URL")
)
response = llm.invoke("你好，你是谁") #invoke输出内容为message型
print(response.context) #content可以只返回模型的回答内容，不加content也可以输出，但是会有换行符等其他内容

messages = [
SystemMessage(content="你是一个擅长人工智能相关学科的专家"),
HumanMessage(content="请解释一下什么是机器学习？")
]
response = chat_model.invoke(messages)
print(response.content)

from langchain_core.prompts import PromptTemplate

prompt_template =PromptTemplate.from_template(
    template="你是一个{role},你的名字叫{name}",   #定义提示词模板的字符串，包含文本与变量占位符
    partial_variables={"role":"美食家"}   #字典格式，提前定义一些变量名
)

prompt = prompt_template.format(name="料理鼠王") #format()方法，给变量赋值，并且返回提示词格式，可以用于调用llm
print(prompt)

from langchain_core.prompts import ChatPromptTemplate
chat_prompt_template =ChatPromptTemplate(
    messages=[
        ("system","你是一个{role},你的名字叫{name}"),
        ("human","请你评价一下{food}")
    ],
    input_variables=["role","name","food"],
)
#给模板赋值
prompt = chat_prompt_template.format_prompt(input={"role":"美食家","name":"料理鼠王","food":"麻婆豆腐"})  #使用 format_messages() 方法，返回消息列
表
response = chat_model.invoke(prompt)
print(response)

##使用StrOutputParser()
llm = ChatOpenAI(
    model="qwen-plus",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url=os.getenv("DASHSCOPE_BASE_URL")
)
response = llm.invoke("请简短介绍什么是3A游戏")

#使用StrOutputParser()
from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
str = parser.invoke(response)
print(type(str))
print(str)

#使用JsonOutputParser()
actor_query = "皮克斯工作室"
prompt = f"""请列出{actor_query}的优秀电影作品，**严格按照JSON格式返回**，格式要求：
{{
    "studio": "皮克斯工作室",
    "excellent_movies": ["玩具总动员", "寻梦环游记", "心灵奇旅", ...]
}}"""
response = llm.invoke(prompt)
from langchain_core.output_parsers import JsonOutputParser
parser = JsonOutputParser()
json_result = parser.parse(response.content)
print(json_result)

#先要调用大模型，这里省略调用大模型的代码了
from langchain_classic.memory import ConversationBufferMemory
memory = ConversationBufferMemory()

#存储历史信息
memory.save_context(
    inputs={"input":"你好，科塔娜"},
    outputs={"output":"你好，我是人工智能助手科塔娜"}
)
memory.save_context(
    inputs={"input":"你知道科塔娜这个名字的由来吗？"},
    outputs={"output":"科塔娜首次出场于经典科幻射击类游戏《Halo》，是其中主角的人工智能助手的名字，在微软游戏收购《Halo》后，微软为其智能助手的名字设置为了科塔娜"}
)

prompt_template = PromptTemplate.from_template(
    template="""
    你可以与人类对话
    当前对话历史：{history}
    人类问题：{question}
    回复：
    """
)

chain = LLMChain(llm=llm_,prompt=prompt_template,memory=memory)
response = chain.invoke({"question":"你知道《halo》的主角吗？"})
print(response)
response = chain.invoke({"question":"你是谁？"})
print(response)

from langchain_classic.memory import ConversationSummaryMemory
memory = ConversationSummaryMemory(llm=llm_)
memory.save_context({"input":"你好"},{"output":"怎么了"})
memory.save_context({"input":"你是谁"},{"output":"我是ai助手"})
memory.save_context({"input":"你知道你的生日吗"},{"output":"我没有生日"})

print(memory.load_memory_variables({}))

from langchain_classic.memory.summary_buffer import ConversationSummaryBufferMemory
from langchain_core.prompts import MessagesPlaceholder,ChatPromptTemplate
from langchain_classic.chains.llm import LLMChain

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是猫娘。"),
    MessagesPlaceholder(variable_name="chat_history"),
    ("human", "{input}")
])
memory = ConversationSummaryBufferMemory(
    llm=llm,
    max_token_limit=400,
    memory_key="chat_history",
    return_messages=True
)

memory.save_context(inputs={"input":"你好，我是猫咪，你是猫娘"},outputs={"output":"你好，我是智能猫娘AI"})
memory.save_context(inputs={"input":"每一句话结束都要带喵字"},outputs={"output":"好的喵"})
memory.save_context(inputs={"input":"卡拉比丘怎么样了？"},outputs={"output":"卡拉比丘似了喵！"})

chain = LLMChain(
    llm=llm,
    prompt=prompt,
    memory=memory,
)

dialogue = [
    ("你好，你是谁？", None),
    ("我是谁？", None),
]

for user_input, _ in dialogue:
    response = chain.invoke({"input": user_input})
    print(f"用户: {user_input}")
    print(f"客服: {response['text']}\n")

print(memory.load_memory_variables({}))

#使用@tools定义工具
from langchain_classic.tools import tool

@tool(name_or_callable="add_two_number",description="add two number",return_direct=True)
def add_number(a:int, b:int) -> int:
    """计算两数之和"""
    return a+b


print(f"name={add_number.name}")