echo "export OPENAI_API_KEY='abcdefg123456789'" >> ~/.zshrc

export OPENAI_API_KEY="abcdefg123456789"

export OPENAI_API_KEY="abcdefg123456789"

import openai

# 设置API密钥
openai.api_key = "abcdefg123456789"

# 在此处编写API调用代码

export OPENAI_API_KEY='abcdefg123456789'

export openai_api_key的进一步展开说明

快速开始

安装

要安装LangChain，请运行以下命令：

使用pip：

“`shell
pip install langchain
“`

使用conda：

“`shell
conda install langchain -c conda-forge
“`

详细信息请参阅我们的安装指南。

使用LangChain

使用LangChain通常需要与一个或多个模型提供商、数据存储、API等进行集成。在本示例中，我们将使用OpenAI的模型API。

首先，我们需要安装他们的Python软件包：

“`shell
pip install openai
“`

访问API需要一个API密钥，您可以通过创建一个帐户并前往该网址取得。一旦获得到密钥，我们需要将其设置为环境变量，可以通过以下命令运行：

“`shell
export OPENAI_API_KEY=”…”
“`

如果您不想设置环境变量，您可以在初始化OpenAI LLM类时直接通过openai_api_key命名参数传递密钥：

“`python
from langchain.llms import OpenAI

llm = OpenAI(openai_api_key=”…”)
“`

现在，我们可以开始构建我们的语言模型利用程序。LangChain提供了许多可以用于构建语言模型利用程序的模块。模块可以作为独立的组件在简单的利用程序中使用，它们可以组合在一起用于更复杂的用例。

LangChain利用程序的核心构建块是LLMChain。LLMChain由三部份组成：

– LLM（Language Model）：这是核心的推理引擎。为了使用LangChain，您需要了解区别类型的语言模型和如何与它们一起使用。
– Prompt Templates（提示模板）：这提供了对语言模型的指点。这控制语言模型的输出，因此理解如何构建提示和区别的提示策略相当重要。
– Output Parsers（输出解析器）：这些将LLM的原始响应转换为更可操作的格式，使得易于在下游使用输出。

在本入门指南中，我们将独立介绍这三个组件，然后再介绍怎样使用LLMChain组合它们。了解这些概念将为您能够使用和定制LangChain利用程序提供很好的基础。大多数LangChain利用程序允许您配置LLM和/或使用的提示，因此了解如何利用这一点将成为一个重要的辅助工具。

LangChain中有两种类型的语言模型：

– LLMs：这是一种接受字符串作为输入并返回字符串的语言模型。
– ChatModels：这是一种接受消息列表作为输入并返回消息的语言模型。

LLMs的输入/输出是简单易懂的，就是一个字符串。但是ChatModels的输入是一个ChatMessage列表，输出是单个ChatMessage。ChatMessage有两个一定要的组成部份：

– content（内容）：消息的内容。
– role（角色）：ChatMessage来自的实体的角色。

LangChain提供了几个对象，用于轻松辨别区别角色：

– HumanMessage：来自人类/用户的ChatMessage。
– AIMessage：来自人工智能/助手的ChatMessage。
– SystemMessage：来自系统的ChatMessage。
– FunctionMessage：来自函数调用的ChatMessage。

如果没有合适的角色，也能够在ChatMessage类中手动指定角色。有关如何有效使用这些区别类型的消息的更多信息，请参阅我们的提示指南。

LangChain为二者提供了标准接口，但了解这类区分可以帮助您为给定的语言模型构建提示。LangChain提供的标准接口有两种方法：

– predict：接受字符串，返回字符串。
– predict_messages：接受消息列表，返回消息。

让我们看看怎样使用这些区别类型的模型和输入。首先，让我们导入一个LLM和一个ChatModel。

“`python
from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI

llm = OpenAI()
chat_model = ChatOpenAI()
“`

OpenAI和ChatOpenAI对象基本上只是配置对象。您可使用参数进行初始化，如温度等，并将它们传递。

接下来，让我们使用predict方法运行一个字符串输入。

“`python
text = “What would be a good company name for a company that makes colorful socks?”

llm.predict(text)

>>>”Hi”

chat_model.predict(text)

>>>”Hi”
“`

ChatOpenAI和OpenAI对象只是配置对象。您可使用参数进行初始化，如温度等，并将它们传递。

最后，让我们使用predict_messages方法在消息列表上运行。

“`python
from langchain.schema import HumanMessage

text = “What would be a good company name for a company that makes colorful socks?”

messages = [HumanMessage(content=text)]

llm.predict_messages(messages)

chat_model.predict_messages(messages)
“`

对这两种方法，您还可以通过关键字参数传递参数。例如，可以传递temperature=0来调剂运行时所使用的温度，该值会覆盖配置对象中的温度。不管以何种方式传递值，始终会覆盖配置对象中的值。

大多数LLM利用程序不会将用户输入直接传递给LLM。通常，它们会将用户输入添加到一个更大的文本片断中，称为提示模板，用于提供有关特定任务的额外上下文。

在上一个示例中，我们传递给模型的文本包括了生成公司名称的唆使。对我们的利用程序，如果用户只需提供公司/产品的描写而没必要担心给模型提供指令，那将是很好的。PromptTemplates可以帮助实现这个目标！它们将所有将用户输入转换为完全格式化的提示的逻辑进行了整合。这可以非常简单地开始-例如，用于生成上述字符串的提示模板只需是：

“`python
from langchain.prompts import PromptTemplate

prompt = PromptTemplate.from_template(“What is a good name for a company that makes {product}?”)

prompt.format(product=”colorful socks”)

“`

输出： What is a good name for a company that makes colorful socks?

但是，使用这些模板的优势是多方面的。您可以“部份化”变量-例如一次只格式化一些变量。您可以将它们组合在一起，轻松地将区别的模板组合成一个单一的提示。关于这些功能的详细说明，请参阅有关提示的部份。

PromptTemplates还可以用于生成消息列表。在这类情况下，提示不但包括有关内容的信息，还包括每一个消息的信息（其角色、其在列表中的位置等）。这里，最常产生的情况是ChatPromptTemplate是ChatMessageTemplate列表。每一个ChatMessageTemplate都包括了该ChatMessage的格式化指令-其角色和其内容。让我们在下面看一下这个例子：

“`python
from langchain.prompts.chat import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)

template = “You are a helpful assistant that translates {input_language} to {output_language}.”
system_message_prompt = SystemMessagePromptTemplate.from_template(template)

human_template = “{text}”
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

chat_prompt.format_messages(input_language=”English”, output_language=”French”, text=”I love programming.”)

“`

输出：
“`
[
SystemMessage(content=”You are a helpful assistant that translates English to French.”, additional_kwargs={}),
HumanMessage(content=”I love programming.”)
]
“`

ChatPromptTemplates还可以包括除ChatMessageTemplates之外的其他内容-有关更多详细信息，请参阅有关提示的部份。

OutputParsers将LLM的原始输出转换为可在下游使用的格式。其中主要有几种类型的OutputParsers:

– 将LLM的文本转换为结构化信息（例如JSON）。
– 将ChatMessage转换为仅字符串。
– 将调用返回的消息以外的额外信息（如OpenAI函数调用）转换为字符串。

请参阅输出解析器部份以取得完全信息。

在本入门指南中，我们将编写自己的输出解析器-将以逗号分隔的列表转换为列表。

“`python
from langchain.schema import BaseOutputParser

class CommaSeparatedListOutputParser(BaseOutputParser):
“””Parse the output of an LLM call to a comma-separated list.”””

def parse(self, text: str):
“””Parse the output of an LLM call.”””
return text.strip().split(“, “)

CommaSeparatedListOutputParser().parse(“hi, bye”)
“`

我们现在可以将所有这些组合成一个链。这个链将接受输入变量，将其传递给提示模板以创建提示，然后将提示传递给LLM，最后通过（可选的）输出解析器将输出传递。这是一种方便的方式来捆绑一个模块化逻辑块。
让我们看看它是如何运作的！

“`python
from langchain.chat_models import ChatOpenAI
from langchain.prompts.chat import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate
)
from langchain.chains import LLMChain
from langchain.schema import BaseOutputParser

class CommaSeparatedListOutputParser(BaseOutputParser):
“””Parse the output of an LLM call to a comma-separated list.”””

def parse(self, text: str):
“””Parse the output of an LLM call.”””
return text.strip().split(“, “)

template = “””You are a helpful assistant who generates comma-separated lists.
A user will pass in a category, and you should generate 5 objects in that category in a comma-separated list.
ONLY return a comma-separated list, and nothing more.”””

system_message_prompt = SystemMessagePromptTemplate.from_template(template)

human_template = “{text}”
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

chain = LLMChain(
llm=ChatOpenAI(),
prompt=chat_prompt,
output_parser=CommaSeparatedListOutputParser()
)

chain.run(“colors”)
“`

这就是了！我们现在已了解了怎样创建LangChain利用程序的核心构建块-LLMChains。在所有这些组件（LLMs、提示、输出解析器）中还有更多的细微差别，还有更多要学习的区别组件。要继续您的旅程，请：

export openai_api_key的常见问答Q&A