一只鹦鹉加上一根链条，组成了时下最流行的 AI 话题热门榜选手——LangChain。
LangChain 是一种 AI 代理工具，可以为以 ChatGPT 为代表的额大语言模型（LLM）增添更多功能。此外，LangChain 还具备 token 和上下文管理功能。本文主要通过查询 GPT 和查询文档两个示例[1]介绍如何使用 LangChain。
安装 LangChain
LangChain 是用于构建 LLM 应用的框架，使用 LangChain 可以快速构建 CVP 框架。LangChain 为 LLM 提供了两大核心功能：
-
数据感知能力：将外部数据源纳入 LLM 应用的能力。
-
代理能力：使用其他工具的能力。
与许多 LLM 工具一样，默认情况下，LangChain 使用的 LLM 是 OpenAI 的 GPT。因此，想要使用 LangChain，需要先从 OpenAI 获取 API 密钥[2]。LangChain 支持 Python 和 JavaScript。本教程展示的是 Python 示例代码，大家可以通过运行 pip install langchain 来安装 LangChain。
安装结束后就可以用 LangChain 查询文档、向量，当然也可以把 LangChain 当作 LlamaIndex 一样，让它与 GPT 的交互更丝滑。
查询 GPT
大多数人都是因为 ChatGPT 才对 GPT 有所了解。ChatGPT 是 OpenAI 的旗舰产品，是一个允许用户与 GPT 进行交互的界面。不过，如果想以编程的方式与 GPT 进行交互，那么就需要一个像 LangChain 这样的查询接口。
LangChain 为 GPT 提供了一系列的查询接口，从【通过一个 prompt 提问】的简单接口，到【通过多个问题让 GPT 进行上下文学习】的复杂接口，一应俱全。
接下来先介绍通过一个 prompt 模板将提问链接在一起的方法。
-
首先，安装 Python 库。大家可以用
pip install langchain openai python-dotenv tiktoken安装。笔者本人会使用python-dotenv，因为个人习惯在一个.env文件中管理环境变量，不过大家可以根据自己的偏好选择如何加载 OpenAI API 密钥。 -
准备好 OpenAI API 密钥后，必须加载 LangChain 工具。我们需要从
langchain导入PromptTemplate和LLMChain，并从langchain.llms导入OpenAI。本示例中使用 OpenAI 的文本模型text-davinci-003。 -
随后，创建一个查询 GPT 的模板，下述模板告诉 GPT 每次只回答一个问题：
-
创建一个字符串（string），括号内输入变量，类似于
f-strings。
import os
from dotenv import load_dotenv
import openai
load_dotenv()
openai.api_key = os.getenv("OPENAI_API_KEY")
from langchain import PromptTemplate, LLMChain
from langchain.llms import OpenAI
davinci = OpenAI(model_name="text-davinci-003")
multi_template = """Answer the following questions one at a time.
Questions:
{questions}
Answers:
"""
-
使用
PromptTemplate从字符串创建模版，且指定输入变量。 -
准备好提示模板后，可以创建 LLM 链条（chain），传入 prompt 和选择的 LLM。
然后就可以提问了！输入问题后，就可以通过 run 来运行 LLM chain 导入问题并获得答案。
llm_chain = LLMChain(
prompt=long_prompt,
llm=davinci
)
qs_str = (
"Which NFL team won the Super Bowl in the 2010 season?\\\\n" +
"If I am 6 ft 4 inches, how tall am I in centimeters?\\\\n" +
"Who was the 12th person on the moon?" +
"How many eyes does a blade of grass have?"
)
print(llm_chain.run(qs_str))
下图为得到的答案：
查询文档
GPT 和 LLM 的痛点之一就是它们受限于训练时所使用的数据。这些训练数据是模型能够获取到的知识，这意味着随着时间的推移，在旧数据上训练的 LLM 不仅可能无法处理上下文，其答案准确性也有待提高。将 LangChain 和向量数据库结合可以解决这个问题，例如开源的向量数据库 Milvus。
本示例将通过查询文档的例子，演示如何通过 LangChain 将最新的知识添加到 LLM 应用，并进行语义检索。在本示例中，我们使用 Zilliz Cloud 的文档[3]，大家可以通过 Colab[4] 获取源码。请先运行 pip install langchain openai milvus pymilvus python-dotenv tiktoken 安装需要使用到的库。
与前面的示例一样，首先加载 OpenAI API 密钥和 LLM。然后用 Milvus Lite 启动向量数据库，这样可以直接在 notebook 中运行 Milvus。
import os
from dotenv import load_dotenv
import openai
load_dotenv()
openai.api_key = os.getenv("OPENAI_API_KEY")
from langchain.llms import OpenAI
davinci = OpenAI(model_name="text-davinci-003")
from milvus import default_server
default_server.start()
现在可以开始学习如何查询文档了。这次从 LangChain 导入了很多内容，需要 OpenAI Embeddings、文本字符拆分器、Milvus 向量数据库、加载器和问答检索链。
-
首先，设置一个加载器并加载
urls链接中的内容。本例中，将加载 Zilliz Cloud 介绍的文档，即加载链接'https://zilliz.com/doc/about_zilliz_cloud'。 -
其次，将文档拆分并将其存储为 LangChain 中的一组文档。
-
接着，设置 Milvus 向量数据库。在本例中，我们为刚才通过
UnstructuredURLLoader和CharacterTextSplitter获取的文档数据创建了一个 Milvus 集合（collection）。同时，还使用了 OpenAI Embeddings 将文本转化为 embedding 向量。 -
准备好向量数据库后，可以使用
RetrievalQA通过向量数据库查询文档。使用 stuff 类型的链，并选择 OpenAI 作为 LLM，Milvus 向量数据库作为检索器。
接下来，大家就可以查询啦！通过 run 运行查询语句。当然，最后别忘了关闭向量数据库。
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores import Milvus
from langchain.document_loaders import UnstructuredURLLoader
from langchain.chains import RetrievalQA
loader = UnstructuredURLLoader(urls=['https://zilliz.com/doc/about_zilliz_cloud'])
documents = loader.load()
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)
embeddings = OpenAIEmbeddings()
vector_db = Milvus.from_documents(
docs,
embeddings,
connection_args={"host": "127.0.0.1", "port": default_server.listen_port},
)
qa = RetrievalQA.from_chain_type(llm=OpenAI(), chain_type="stuff", retriever=vector_db.as_retriever())
query = "What is Zilliz Cloud?"
qa.run(query)
default_server.stop()
以上就是 LangChain 的安装和使用方法，如果大家在使用过程中还有疑问，可搜索小助手微信 “zilliz-tech” 进入我们的微信群进行交流。
（本文作者 Yujian Tang 系 Zilliz 开发者布道师；陈室余系 Zilliz 软件工程师）
-
如果在使用 Milvus 或 Zilliz 产品有任何问题，可添加小助手微信 “zilliz-tech” 加入交流群。
-
欢迎关注微信公众号“Zilliz”，了解最新资讯。 文章来源：https://www.toymoban.com/news/detail-467566.html
本文由 mdnice 多平台发布文章来源地址https://www.toymoban.com/news/detail-467566.html
到了这里，关于LangChain 查询使用指「北」的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
