2.2 第一个LangChain程序

---

2.2 第一个LangChain程序

调用ChatGPT生成文本

本节将演示如何通过LangChain调用ChatGPT（或GPT-3.5/4）生成文本，仅需几行代码即可实现。

步骤说明

1. 安装必要依赖（若未完成）：

   pip install langchain-openai python-dotenv
   

2. 配置API密钥（推荐通过环境变量）：
   在项目根目录创建.env文件：

   OPENAI_API_KEY=sk-xxx  # 替换为你的密钥
   

3. 编写代码：

   from langchain_openai import ChatOpenAI
   from dotenv import load_dotenv
   
   # 加载环境变量（自动读取.env文件）
   load_dotenv()  
   
   # 初始化ChatGPT模型
   llm = ChatOpenAI(model="gpt-3.5-turbo")  # 可选：temperature=0.7 调整创造性
   
   # 调用模型生成文本
   response = llm.invoke("用比喻解释人工智能的工作原理")
   print(response.content)
   

4. 输出示例：

   人工智能就像一位不知疲倦的图书管理员。它通过消化海量书籍（数据）建立知识网络，
   当遇到新问题时，能快速在记忆迷宫中检索关联信息，最终编织出逻辑缜密的答案锦缎。
   

---

构建简单问答链（QA Chain）

问答链（QA Chain）是LangChain的核心应用之一，可实现“用户提问→模型回答”的标准化流程。以下是构建过程：

1. 定义提示模板

通过模板控制模型回答风格：

from langchain_core.prompts import ChatPromptTemplate

# 创建带有变量的提示模板
template = """
你是一个专业的技术导师，回答需简洁且包含代码示例。
用户问题：{question}
答案：
"""
prompt = ChatPromptTemplate.from_template(template)

2. 绑定模型与模板为链

使用LLMChain将组件串联：

from langchain.chains import LLMChain

# 创建链（模型 + 模板）
qa_chain = LLMChain(llm=llm, prompt=prompt)

# 调用链
question = "如何在Python中反转列表？"
result = qa_chain.invoke({"question": question})
print(result["text"])

3. 输出示例

在Python中反转列表的两种方法：

1. 使用切片操作：
   my_list = [1, 2, 3]
   reversed_list = my_list[::-1]

2. 使用reverse()方法：
   my_list = [1, 2, 3]
   my_list.reverse()  # 原地修改

---

问答链的扩展：添加检索功能（可选）

若要实现基于文档的精准回答（RAG模式），可扩展为检索增强链：

from langchain.chains import RetrievalQA
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings

# 1. 加载文档并向量化（此处为伪代码示例）
docs = [...]  # 假设已从PDF/文本加载文档分块
vector_db = FAISS.from_documents(docs, OpenAIEmbeddings())

# 2. 创建检索增强链
retrieval_qa = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vector_db.as_retriever(),
    chain_type="stuff"  # 简单合并检索结果
)

# 3. 提问（自动检索相关文档片段）
answer = retrieval_qa.invoke("LangChain的核心组件有哪些？")

---

关键概念解析

• invoke方法：LangChain的标准执行入口，支持输入字典传递变量。
• 链（Chain）的复用性：一旦定义qa_chain，可重复调用处理不同问题。
• 温度参数（temperature）：
  • 低值（如0.2）：输出确定性高，适合技术问答。
  • 高值（如0.8）：输出更具创造性，适合故事生成。

---

常见问题排查

1. 报错AuthenticationError：

   • 检查.env文件中的OPENAI_API_KEY是否正确。
   • 确保代码中调用了load_dotenv()。

2. 响应速度慢：

   • 尝试切换模型（如gpt-3.5-turbo比gpt-4更快）。
   • 启用流式响应（stream=True）逐步获取结果。

3. 输出格式不符：

   • 在提示模板中明确要求格式（如“用Markdown列表回答”）。
   • 使用Output Parsers强制结构化输出（JSON/YAML）。

---