前面的文章了不起给大家介绍了LangChain的一些基本知识，没看过的小伙伴可以点击这里去看下，今天了不起给大家介绍一下 LangChain 的第一个很重要的组件模型Model。

注意这里说的模型是指LangChain的模型组件，而不是指类似于OpenAI的语言模型，之所以LangChain会出现模型组件就是因为业内的语言模型太多了，除了OpenAI这家公司的语言模型之外，还很有很多其他家的。

LangChain的模型组件有三种类型，分别是LLM大语言模型，Chat Model聊天模型和文本嵌入模型Text Embedding Models。

(资料图片仅供参考)

LLM 大语言模型

LLM作为最基本的一种模型组件，输入和输出都只支持字符串，在大部分的场景下就可以满足我们的需求了。我们可以在Colab([https://colab.research.google.com)上面直接写Python代码

举个栗子

下面是一个case，先安装依赖，再执行下面的代码。

pip install openaipip install langchain

import os# 配置OpenAI 的 API KEYos.environ["OPENAI_API_KEY"] ="sk-xxx"# 从 LangChain 中导入 OpenAI 的模型from langchain.llms import OpenAI# 三个参数分别代表OpenAI 的模型名称，执行的次数和随机性，数值越大越发散llm = OpenAI(model_name="text-davinci-003", n=2, temperature=0.3)llm.generate(["给我讲一个故事", "给我讲一个笑话"])

运行的结果如下

Chat Model 聊天模型

Chat Model是基于LLM模型的，只不过Chat Model相对于LLM模型组件间输入和输出更加结构化，输入和输出的参数的类型都是Chat Model，而不是简单的字符串。常用的Chat Model类型有如下几种

AIMessage：用来保存LLM的响应，以便在下次请求时把这些信息传回给LLM。HumanMessage：发送给LLMs的提示信息，比如“实现一个快速排序方法”SystemMessage：设置LLM模型的行为方式和目标。你可以在这里给出具体的指示，比如“作为一个代码专家”，或者“返回 json 格式”。ChatMessage：ChatMessage可以接收任意形式的值，但是在大多数时间，我们应该使用上面的三种类型。举个栗子

from langchain.chat_models import ChatOpenAIfrom langchain.schema import (    AIMessage,    HumanMessage,    SystemMessage)chat = ChatOpenAI(temperature=0)messages = [        SystemMessage(cnotallow="返回的数据markdown 语法进行展示，代码使用代码块包裹"),        HumanMessage(cnotallow="用 Java 实现一个二分查找算法")]print(chat(messages))

生成的内容字符串形式如下

cnotallow="二分查找算法，也称折半查找算法，是一种在有序数组中查找特定元素的搜索算法。该算法的时间复杂度为 O(log n)。\n\n以下是 Java 实现二分查找算法的代码：\n\njava\npublic class BinarySearch {\n public static int binarySearch(int[] arr, int target) {\n int left = 0;\n int right = arr.length - 1;\n while (left <= right) {\n int mid = (left + right) / 2;\n if (arr[mid] == target) {\n return mid;\n } else if (arr[mid] < target) {\n left = mid + 1;\n } else {\n right = mid - 1;\n }\n }\n return -1;\n }\n\n public static void main(String[] args) {\n int[] arr = {1, 3, 5, 7, 9};\n int target = 5;\n int index = binarySearch(arr, target);\n if (index != -1) {\n System.out.println("目标元素 " + target + " 在数组中的下标为 " + index);\n } else {\n System.out.println("目标元素 " + target + " 不在数组中");\n }\n }\n}\n\n\n在上述代码中，binarySearch方法接收一个有序数组和一个目标元素，返回目标元素在数组中的下标，如果目标元素不在数组中，则返回 -1。\n\n在binarySearch方法中，使用两个指针left和right分别指向数组的左右两端，然后在一个 while 循环中不断缩小查找范围，直到找到目标元素或者查找范围为空。在每次循环中，计算中间位置mid，然后将目标元素与中间位置的元素进行比较，如果相等，则返回中间位置的下标；如果目标元素比中间位置的元素大，则将左指针移到中间位置的右边；如果目标元素比中间位置的元素小，则将右指针移到中间位置的左边。" additional_kwargs={} example=False

将content里面的内容提取出来，用markdown语法展示出来是这样的

使用这个模型组件，可以进行一些角色的预设，然后来定制个性化的问答。

Prompts template

from langchain.chat_models import ChatOpenAIfrom langchain.prompts import (    ChatPromptTemplate,    PromptTemplate,    SystemMessagePromptTemplate,    AIMessagePromptTemplate,    HumanMessagePromptTemplate,)from langchain.schema import (    AIMessage,    HumanMessage,    SystemMessage)system_template="你是一个把{input_language}翻译成{output_language}的助手"system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)human_template="{text}"human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])messages = chat_prompt.format_prompt(input_language="英语", output_language="汉语", text="I love programming.")print(messages)chat = ChatOpenAI(temperature=0)print(chat(messages.to_messages()))

output

messages=[SystemMessage(cnotallow="你是一个把英语翻译成汉语的助手", additional_kwargs={}), HumanMessage(cnotallow="I love programming.", additional_kwargs={}, example=False)] cnotallow="我喜欢编程。" additional_kwargs={} example=False

文本嵌入模型 Text Embedding Models

文本嵌入模型组件相对比较难理解，这个组件接收的是一个字符串，返回的是一个浮点数的列表。在NLP领域中Embedding是一个很常用的技术，Embedding是将高维特征压缩成低维特征的一种方法，常用于自然语言处理任务中，如文本分类、机器翻译、推荐系统等。它将单词、短语、句子等文本中的离散数据映射到实数域上的向量，这些向量可以被神经网络更好地处理和学习。通过Embedding，文本数据可以被更好地表示和理解，提高了模型的表现力和泛化能力。

举个栗子

from langchain.embeddings import OpenAIEmbeddingsembeddings = OpenAIEmbeddings()text = "hello world"query_result = embeddings.embed_query(text)doc_result = embeddings.embed_documents([text])print(query_result)print(doc_result)

output

[-0.01491016335785389, 0.0013780705630779266, -0.018519161269068718, -0.031111136078834534, -0.02430146001279354, 0.007488010451197624,0.011340680532157421, 此处省略 .......

总结

今天给大家介绍了一下LangChain的模型组件，有了模型组件我们就可以更加方便的跟各种LLMs进行交互了。

参考资料

官方文档：https://python.langchain.com/en/latest/modules/models.html