快速入门指南：使用 LangChain 构建智能聊天机器人

一小时内掌握 LangChain 的核心技能！快速进入AI应用开发

欢迎来到本快速入门指南！我们将教您如何在一小时内使用 LangChain 构建一个智能聊天机器人。这个机器人能够进行对话并记住之前的互动记录。

通过本教程，您将学会：

• 使用聊天模型：了解如何选择和使用不同的语言模型。
• 使用 Prompt 模板：优化用户输入并生成适合模型处理的格式。
• 管理聊天记录：实现聊天机器人能够记住和处理对话历史。
• 使用 LangSmith 调试和跟踪：深入了解聊天机器人的内部工作机制。
• 流式响应：改善用户体验，实现逐字生成的流式响应。

让我们一起开始这个激动人心的旅程吧！

本指南基于最新版的LangChain 。
欢迎点赞收藏转发，您的鼓励是我坚持的动力。感谢

---

设置

Jupyter Notebook

为了更好地学习和理解 LLM 系统，我们推荐使用 Jupyter Notebook。请按照这里的安装指南进行安装。

安装

要安装 LangChain，请运行以下命令：

pip install langchain

更多详细信息，请参阅我们的安装指南。

快速入门

首先，让我们学习如何单独使用语言模型。LangChain 支持多种不同的语言模型，您可以根据需求选择使用。

import getpass
import os
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage

os.environ["OPENAI_API_KEY"] = getpass.getpass()
model = ChatOpenAI(model="gpt-3.5-turbo")

response = model.invoke([HumanMessage(content="Hi! I'm Bob")])
print(response.content)

上面的代码中，模型直接回答了问题，但是没有记住对话内容。为了实现聊天机器人，我们需要保存并传递对话历史。

实现聊天机器人

我们可以使用 Message History 类来跟踪模型的输入和输出。首先，让我们安装 langchain-community 以便存储消息历史。

pip install langchain_community

然后，我们可以使用以下代码实现带有消息历史的聊天机器人：

from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

store = {}

def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]

with_message_history = RunnableWithMessageHistory(model, get_session_history)
config = {"configurable": {"session_id": "abc2"}}

response = with_message_history.invoke([HumanMessage(content="Hi! I'm Bob")], config=config)
print(response.content)

response = with_message_history.invoke([HumanMessage(content="What's my name?")], config=config)
print(response.content)

现在，聊天机器人能够记住对话内容并正确回答问题。

使用 Prompt 模板

为了使对话更加复杂和个性化，我们可以使用 Prompt Templates。

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a helpful assistant. Answer all questions to the best of your ability."),
        MessagesPlaceholder(variable_name="messages"),
    ]
)

chain = prompt | model
with_message_history = RunnableWithMessageHistory(chain, get_session_history)

config = {"configurable": {"session_id": "abc5"}}
response = with_message_history.invoke([HumanMessage(content="Hi! I'm Jim")], config=config)
print(response.content)

管理对话历史

为了防止对话历史过长，我们需要在传递给模型之前对消息进行修剪。

from langchain_core.messages import SystemMessage, trim_messages
from operator import itemgetter
from langchain_core.runnables import RunnablePassthrough

trimmer = trim_messages(max_tokens=65, strategy="last", token_counter=model, include_system=True)
messages = [
    SystemMessage(content="you're a good assistant"),
    HumanMessage(content="hi! I'm bob"),
    AIMessage(content="hi!"),
    HumanMessage(content="I like vanilla ice cream"),
    AIMessage(content="nice"),
    HumanMessage(content="whats 2 + 2"),
    AIMessage(content="4"),
    HumanMessage(content="thanks"),
    AIMessage(content="no problem!"),
    HumanMessage(content="having fun?"),
    AIMessage(content="yes!"),
]

chain = RunnablePassthrough.assign(messages=itemgetter("messages") | trimmer) | prompt | model
response = chain.invoke({"messages": messages + [HumanMessage(content="what's my name?")], "language": "English"})
print(response.content)

流式响应

为了改善用户体验，我们可以实现逐字生成的流式响应。

config = {"configurable": {"session_id": "abc15"}}
for r in with_message_history.stream(
    {"messages": [HumanMessage(content="hi! I'm todd. tell me a joke")], "language": "English"},
    config=config,
):
    print(r.content, end="|")

通过以上步骤，您已经成功构建了一个智能聊天机器人！享受与您的新机器人助手互动的乐趣吧！