LangChain入门教学：（1）LangChain表达式

LangChain表达式

LangChain表达式语言(LCEL) 使得从基本组件构建复杂链条变得容易，并且支持诸如流式处理、并行处理和日志记录等开箱即用的功能

LCEL基本示例：提示+模型+输出解析器

将提示模板和模型链接在一起，让它为我们实现一个语言翻译的功能
首先需要安装库文件

pip install --upgrade --quiet langchain-core langchain-community langchain-openai

接下来是python代码
我使用的是gpt-4o-mini的模型，这个模型的API是免费调用的，但是需要使用科学手段来访问到openAI的官网。在代码中加上本地的http_proxy代理和https_proxy代理，或者直接使用梯子也可。

import os
#openAI的API密钥
os.environ["OPENAI_API_KEY"] = 'your_openai_key'  
#本地代理
os.environ['http_proxy'] = 'your_proxy'  
os.environ['https_proxy'] = 'your_proxy'  
# 此处为LangSmith监测，可以忽略
os.environ["LANGCHAIN_TRACING_V2"]="true"  
os.environ["LANGCHAIN_API_KEY"]="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"  

此处的代码前期环境准备工作已经结束，在后面的讲解中我将不再赘述。

from langchain_core.prompts import ChatPromptTemplate  
from langchain_openai import ChatOpenAI  
from langchain_core.output_parsers import StrOutputParser  
prompt = ChatPromptTemplate.from_template("{text}.Please translate this sentence from {input_language} to {output_language}")  
model = ChatOpenAI(model="gpt-4o-mini")  
output_parser = StrOutputParser()  
  
chain = prompt | model | output_parser  
messages = {
     
    "text":"生活不易，我学LangChain",  
    "input_language":"Chinese",  
    "output_language":"English",  
}  
chain.invoke(messages)

"Life is not easy, I am learning LangChain."

| 符号类似于 unix 管道操作符，它将不同的组件链接在一起，将一个组件的输出作为下一个组件的输入。在这个链条中，用户输入被传递给提示模板，然后提示模板的输出被传递给模型，然后模型的输出被传递给输出解析器。这样我们就完成了第一个小案例

接下来我们逐个组件来探寻一下，理解整个过程的运行逻辑

1. Prompt（提示）

prompt 是一个模板，可以接受一个包含变量的字典，并生成一个最终的提示信息。这个提示信息会被包装成一个 PromptValue，作为输入传递给语言模型（LLM）或者聊天模型（ChatModel）。对于语言模型来说，它以字符串形式接收输入；而对于聊天模型，它以消息序列的形式接收

prompt_value = prompt.invoke(messages)
prompt_value

ChatPromptValue(messages=[HumanMessage(content='生活不易，我学LangChain.Please translate this sentence from Chinese to English', additional_kwargs={}, response_metadata={})])

prompt_value 转换为 message ，变为了role为用户输入的HumanMessage

prompt_value.to_messages()

[HumanMessage(content='生活不易，我学LangChain.Please translate this sentence from Chinese to English', additional_kwargs={}, response_metadata={})]

2. model（模型）

然后将 PromptValue 传递给 model。在这种情况下，我们的 model 是一个 ChatModel，这意味着它将输出一个 BaseMessage

message = model.invoke(prompt_value)  
message

AIMessage(content='"Life is not easy; I am learning LangChain."')

这里我们只关注于AIMessage中的content内容（其余信息为模型调用的细节）

3. Output_parser（输出解析器）

我们将 model 的输出传递给 output_parser，它是一个 BaseOutputParser，它可以接受字符串或 BaseMessage 作为输入。StrOutputParser 简单地将任何输入转换为字符串。

output_parser.invoke(message)

'"Life is not easy; I am learning LangChain."'

这样我们就只获取到想要的结果字符串，略去了其他与结果无关的信息

过程逻辑：