快速构建 LangChain 应用（三）
三、会话式检索链到目前为止我们创建的链还只能回答单个问题。我们正在构建的最主要的 LLM 应用程序类型之一是聊天机器人。那么，我们如何将这个链转换成一个能够回答后续问题的链呢？
在这里，我们仍然可以使用 create_retrieval_chain 函数，但是我们需要改变两件事：
检索方法现在不仅应考虑最近的输入，还应考虑整个历史记录。
最终的 LLM 链也应考虑整个历史记录。
更新检索为了更新检索，我们将创建一个新的链。这个链将输入（input）和对话历史记录（chat_history）作为输入，并使用一个 LLM 生成一个搜索查询。
1234567891011from langchain.chains import create_history_aware_retrieverfrom langchain_core.prompts import MessagesPlaceholder# 首先我们需要创建一个提示词，可以将其传递给 一个LLM 来生成这个搜索查询prompt = ChatPromptTemplate.from_messages([ MessagesPlac ...
快速构建 LangChain 应用（二）
二、检索链为了能够正确回答原始问题 (“how can langsmith help with testing？”), 我们需要向 LLM 提供额外的上下文信息。这里，我们可以通过检索来实现这一点。当有太多数据无法直接传递给 LLM 时，检索就非常有用了。您可以使用检索器来获取最相关的内容并将其传递进去。
在这个过程中，我们将从检索器中查找相关的文档，然后将其传递到提示词Prompt中。检索器的背后可以是任何东西 - SQL数据表、互联网等端。下面，我们将使用一个向量存储组件并将其用作检索器。
首先，我们需要加载想要索引的数据。为了实现这一点，我们将使用 WebBaseLoader。在使用它之前，先要安装 BeautifulSoup：
1pip install beautifulsoup4
然后，我们可以引入WebBaseLoader、实例化并加载文档。
1234from langchain_community.document_loaders import WebBaseLoaderloader = WebBaseLoader("https://docs.smith.l ...
快速构建 LangChain 应用（一）
LangChain 使您能够构建连接外部数据和计算资源到大型语言模型（LLM）的应用程序。下面我们将一步步来演示这个构建过程。
首先，我们将从简单的 LLM 链开始，它仅依赖于提示模板中的信息来响应。
接下来，我们将构建一个检索链，该链从单独的数据库中获取数据，并将这些数据传递给提示模板。
然后，我们将加入聊天历史记录，以创建一个会话检索链。这使您能够以聊天的方式与这个 LLM 互动，让它记住之前的问题。
最后，我们将构建一个代理人，该代理人利用 LLM 来判断是否需要检索数据来回答问题。
一、LLM 链1.1、基于OpenAI的实现我们可以通过API来访问LLM，比如OpenAI。在开始之前，需要先安装LangChain x OpenAI 集成包pip install langchain-openai。其次设置环境变量OPENAI_API_KEYexport OPENAI_API_KEY="..."。然后开始初始化。
123from langchain_openai import ChatOpenAIllm = ChatOpenAI() # 也可以通过参数传递o ...
LangChain 库构成
LangChain库提供了一系列组件和集成工具，使得开发者能够更方便地与语言模型进行交互。这些组件是模块化的，易于使用，无论是否使用LangChain框架的其他部分。
此外，LangChain库还提供了现成的链（off-the-shelf chains），这些链是由多个组件组合而成，用于完成更高级别的任务。现成的链可以帮助开发者快速入门，而组件则使得定制现有链和构建新链变得更加容易。
LangChain库由几个不同的包组成：
1、langchain：包含构成应用程序认知架构的链（Chains）、代理（Agents）和检索策略（Retrieval Strategies）。这些组件是构建智能应用的关键，使得开发者能够创建出具有复杂语言处理能力的应用程序。
这是安装LangChain的最基本要求。LangChain的很多价值在于它与各种模型提供商、数据存储等集成。默认情况下，实现这些功能所需的依赖项并未安装，还需要为特定集成分别安装依赖项。
1pip install langchain
2、langchain-community：提供第三方集成，这意味着开发者可以方便地集成和使用来自社 ...
LangChain 应用基本开发流程
LangChain框架的使用涉及多个步骤，这些步骤通常包括设置环境、定义任务和链、配置组件，以及最终运行和评估你的应用程序。下面是一个大致的指南，帮助你了解如何使用LangChain框架：
安装和设置环境：
首先，确保你的开发环境中安装了Python（或JavaScript，取决于你选择的库）。
然后，使用pip（或npm）安装LangChain库。
理解任务和需求：
在开始使用LangChain之前，明确你的应用程序需要完成的任务和目标。
思考哪些语言模型、检索器、生成器等组件最适合你的任务。
定义链和组件：
在LangChain中，链是由一系列组件构成的，这些组件共同完成了特定的任务。
你需要根据你的任务定义链的结构，并配置每个组件的参数。
加载和集成模型：
根据你的需求，加载适当的语言模型（如GPT、BERT等）。
配置模型的输入和输出格式，确保它们与你的链的其他部分兼容。
实现数据处理和特征工程：
如果需要，实现数据预处理步骤，如分词、清洗、编码等。
设计特征提取方法，以便为模型提供有用的上下文信息。
编写和配置链：
使用LangChain的A ...
LangChain 简介
LangChain是一个基于语言模型的应用程序开发框架。它使应用程序能够：
上下文感知能力：将语言模型与上下文来源（如提示指令、少量示例、用于支撑响应的内容等）相连接；
推理能力：依赖于语言模型进行推理（如基于提供的上下文回答问题、以及需要采取什么行动等）。
通过使用LangChain，开发人员能够创建出能够理解用户意图、利用上下文信息、并进行智能推理的应用程序，从而提供更自然、更准确的用户体验。无论是构建聊天机器人、智能助手，还是其他复杂的自然语言处理应用，LangChain都提供了一个强大而灵活的工具集，帮助开发人员快速实现他们的创意和目标。
LangChain主要由以下几个部分组成：
LangChain库提供了一套强大的工具和组件，支持开发者通过Python或JavaScript语言来构建语言模型应用。这些库包含了丰富的接口，集成了许多开发者能够轻松地使用组件，以及一个将这些组件组合成链（Chains）和代理（Agents）的基本运行时环境。此外，LangChain库还提供了现成的链和代理实现，这些实现都是基于经过验证的架构和最佳实践，使得开发者能够快速启动并构建功能强 ...
一个基于RAG的对话系统的实现
RAG (Retrieval-Augmented Generation) 是一种结合了检索和生成的技术，用于增强对话系统的性能。在RAG对话系统中，模型首先根据用户的输入从知识库中检索相关信息，然后使用这些信息来生成响应。
下面是一个基于RAG的对话系统的示例，使用LangChain库来实现：
首先，确保已经安装了LangChain库。你可以使用以下命令来安装：
1pip install langchain
接下来，我们需要一个知识库来提供检索功能。在这个示例中，我们将使用一个简单的文本文件作为知识库。假设你有一个名为knowledge_base.txt的文本文件，其中包含了一些与对话相关的知识。
现在，我们可以开始编写代码来实现基于RAG的对话系统。
1234567891011121314151617181920212223242526272829from langchain.document_loaders import TextLoader from langchain.retrieval import ExactMatcher from langchain.generat ...
一个简单的LangChain docker环境
正在学习 LangChain，先搞了个简单的 LangChain docker 环境，方便后面进行 LangChain 代码开发、运行，也避免各种环境的杂乱无章。主要思路如下：
1、编写一个Dockerfile，包含 LangChain 开发必要的软件包
2、编写一个简单的docker compose 文件，可以在开发目录加载 LangChain 环境
一、Dockerfile123456789101112131415161718FROM python:3.9-slim-bullseyeRUN apt-get -y update && \ pip install --upgrade pip && \ pip install langchain && \ pip install langchain_openai && \ pip install "langserve[all]" && \ pip install datasets && \ pip insta ...