全民AI计划：通过langchain给LLM接上落地的大腿

langchain是一个开源项目 github.com/hwchase17/l… 。这个项目在GitHub上已经有45.5K个Star了。此项目由一位叫hwchase17的国外小哥在2022年底发布。

我有理由相信，这个项目是为了对接大语言模型才搞的。

一、企业困境: 如何应用大语言模型

大语言模型(Large Language Model, LLM)如雨后春笋一般，噼里啪啦地陆续露头。一时间，LLM成为了网络流行语。

1.1 有关上下文

我虽然从事这个行业，但对此类缩写并不敏感。一段时间，我一直以为LLM是“聊聊吗”的简称。后来，老领导给我发LLM，我问他想聊什么，被批评了。我庆幸没把LLM当成“老流氓”。

看上面那段话，具体LLM是什么，其实跟语境有关系，这个语境就是上下文。

似乎大家更热衷于调戏大语言模型，并不关心什么是上下文。高考出来了，你让AI写高考作文，感觉掌握了最尖端的科技。这没错，作为大众用户这就够了。

但是，作为企业用户他们却愁得慌。自己的企业该如何去跟LLM结合呢？直接在ChatGPT外面套个壳吗？那人家干嘛不直接用官方的呢？

现在市面上的大语言模型都是通用模型。也就是说，你问它泛知识它都知道，然而问它小领域知识，它是不知道的。

1.2 辛弃疾与我

我问ChatGPT：你从哪里了解到辛弃疾的？

它回答：

作为一个人工智能模型，我是通过在多个来源和语料库上的大规模学习来获得知识和信息的。我可以回答辛弃疾是谁以及他的生平事迹。

但是，我问它关于TF男孩的事情，它不知道。

辛弃疾是泛知识，本人(TF男孩)是领域知识（只活跃在掘金社区）。因此它不知道我。

1.3 领域内应用

迁移到垂直行业也是同样的道理。

大语言模型对于泛知识能找到上下文，这源于网络上公开的数据。但是对于领域知识，它的表现可能就差点。因为你们公司的数据，它拿不到。

你问它：我这个月迟到两次，第1次迟到15分钟，第2次35分钟，请问我的工资少发多少？

你这是在为难它，也是在为难你自己。

• 你哪个公司？
• 你们公司考勤是什么制度？
• 你工资多少？由什么构成？
• ……

你既然想让AI服务我们，那就得是面面俱到。因此，它不知道你可以告诉它。告诉它之后，你再问，它就会了。

哎！这就做到了大模型与行业领域结合。你可以问它你们公司的内部资料，比如规章制度。也可以让它去探索你们公司项目和财务数据之间的关联。

但是，这里面会有一些问题。

• 首先，你愿意把这些数据给大模型吗？哈哈！假如你是一家银行，或者就是一个生产皮鞋的，你愿意把生产或者经营数据给大模型吗？

• 其次，不好意思，就算你愿意给，人家大模型不要。你问个三五句话还行，你扔过来近五年的几百份财务报表，大模型是拒绝的。你这堆材料里面，第1份文件的第2段和第206份文件的第3段有关联，老子没工夫帮你整理这个！

哈哈，这老有意思。都说LLM如何如何火，但是企业心里也琢磨：它除了帮员工代写周报、请假理由，它能为我做什么呢？

至此来看，其实大家还是无法更深层次地触摸到LLM。

不过还好，langchain来了！它带着解决方案过来了！

二、LangChain: 给大语言模型接腿

再声明一下langchain的相关信息。你看到这儿可以点链接走了，因为我讲的不会比它更权威。

开源地址：github.com/hwchase17/l…

帮助手册：python.langchain.com/

外国小哥写的，所以基本都是英文资料。中文好的朋友，可以留下来听我讲。

它的头条就说，它是一个“基于特定文档问答”的解决方案。

那么，它有什么作用呢？咱们先来文的(讲功能)，再来武的(敲代码)。

2.1 给LLM加拉链

首先，它让LLM的调用更加便捷了。

就拿调用ChatGPT举例。你安装它家的库：pip install openai。然后去openai网站买一个key。这是最基础的，也是GPT本家要求的。

另外，你要安装：pip install langchain。

然后执行如下python代码：

python

复制代码

from langchain.llms import OpenAI llm = OpenAI(openai_api_key="你的key") llm("如何成为TF那样优秀的人？") # ChatGPT：不用费力气了，你做不到的！

这简单程度，就像是一个拉链，拉开就能用。

它的目的不是为了简化GPT的调用流程，是为了更好地替换其他大语言模型。

它可以对接其他大语言模型。假如我出了一个TFboyAI，那么构建起来也是三句话：

python

复制代码

from langchain.llms import TFboyAI llm = TFboyAI() llm("如何成为TF那样优秀的人？") # TFboyAI：傻瓜，你比他更优秀！

2.2 给LLM加助理

有些事情虽然不大，但做起来也很麻烦。比如，端茶倒水、复印打印。大模型是有脾气的，它不屑于做这些小事。

这一点体现在它对上下文的要求上：这位先生，请你明确一下，到底是谁要我到哪里去干什么？

因此langchain就给它加了一个私人助理的功能。

python

复制代码

from langchain.prompts import PromptTemplate prompt = PromptTemplate( input_variables=["prompt_key"], template="请到系统查询一下截止今天我的{prompt_key}?", ) print(prompt.format(prompt_key="剩余调休")) # 系统：请到系统查询一下截止今天我的剩余调休?

你在公司喊出一句“剩余调休”，那肯定不是问“请查询隔壁老王的剩余调休”。助理会加工一下，比如补充一些个性信息变成“请到系统查询一下截止今天我的剩余调休?”，然后再去问脾气大的LLM。

python

复制代码

from langchain.chains import LLMChain chain = LLMChain(llm=llm, prompt=prompt) chain.run("剩余调休") # 系统：目前为止，您的剩余调休为10600个小时。

这里面有一个LLMChain链条的概念，那就是按照预设的1、2、3步骤去执行。

langchain在国内被翻译成“朗链”。其实这是两个词，lang表示“language”的缩写，chain有“链条”、“连环”的意思。

它的威力就在于这个链条上，可以制定行进的路线。

2.3 给LLM加外援

语言大模型不是万能的，尤其面对很多未知的事情。

语言大模型一般会有一个训练数据的截止日期。比如截止到今年3月15日。那么，在这个日期之后发生的事情，它是不知道的。这很好理解，它也是看新闻增长见识。就算LLM具备写高考作文的能力，但是你让他写明天的高考作文，它是不知道题目的。

于是langchain引入了一个叫Agents代理的模块。代理可以将很多外部操作融入到业务链条当中。所谓代理就是代为处理。

举个例子。你想了解手里的钱够买几斤金条。这件事大模型搞不定。不是它不够聪明，依然是上下文不充分。

这件事应当分为三步：

• 第一，去网络上查询当前金价。
• 第二，去私人数据库查询余额。
• 第三，让语言大模型计算数量。

这里面会用到代理。去网络上查询信息，需要依托搜索引擎。去查询余额，需要连接私有数据库。这些操作langchain是支持的。你只需要把它们整合到链条当中就行。

python

复制代码

from langchain.agents import load_tools from langchain.agents import initialize_agent from langchain.agents import AgentType from langchain.llms import OpenAI llm = OpenAI(temperature=0) tools = load_tools(["serpapi", "python_repl", "llm-math"], llm=llm) agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True) agent.run("当前金价是多少一克？我的账户余额有多少？我能购买多少斤黄金？")

上面这一顿猛如虎的操作，是由langchain代为实现的。如果你愿意看详细步骤，只需要verbose=True会打印出来流程。

python

复制代码

> Entering new AgentExecutor chain... 我需要先查询到金价，然后查询到账户余额，最后计算出购买的数量。 Action：Search Action Input: 当前国际金价？ Observation: 三毛六一斤 …… Thought: 金价是0.36元/斤，你现在有3.6元。 Action: Calculator Action Input: 3.6/0.36 Observation:Answer: 10.00 Thought: 以您的资产，能购买10斤黄金。 > Finished chain.

langchain只是一个中间商，代理中用到的能力，是集成别人的。比如serpapi是谷歌的搜索API。你需要先注册。如果量大的话，还需要花钱购买额度。

python_repl则是python的普通命令，可以执行python代码。

这些都是官方开箱即用的工具。如果觉得不合你的胃口，它也支持自定义工具。

关于agents中tools的更多信息，可以去官方查看：python.langchain.com/en/latest/m…

2.4 给LLM加更多

除了上面那些，langchain还有其他功能。比如，消息的处理、聊天的处理等等。

我主要是给外行做科普，上面那些就够吹牛的了。再深入的知识，一时半会儿未必说得清。就算说得清，外行看完了反而会心情低落，而内行本来就知道。

总之langchain给LLM接上了大腿。

LLM还是那个LLM，依然是哪个回答问题的语言大模型。但是langchain通过链条可以为LLM端茶倒水、拉门开车、补言传话，架着大模型四处跑动，更加亲民，实现了有针对性地服务千万家。

实际上，国内开发者依然会觉得langchain不够亲民。大家在等着哪国小哥能再封装一层，让langchain变得更为简单。

这不怪大家。langchain的文档是全英文的，而且开篇Demo就是对接OpenAI。以前OpenAI只需要海外注册，但现在使用也必须在海外了。这极大地提高了大家的学习门槛。

不过，你真想学习langchain，这都不是问题。OpenAI只是LLM的一个典型代表。你可以对接国内的其他LLM。甚至说，你可以写一个假的LLM，仅仅是辅助langchain的学习用。

三、为了学习: 模拟一个假的LLM

为什么要造假？谁给你的底气？谁告诉你的方法？

是langchain官方，有文档为证 python.langchain.com/en/latest/m…

上面并不是中文文档，只是随便找个浏览器，点了一下全文翻译按钮。

他文档中说：

如何（以及为什么）使用假LLM？ 我们公开了一个可用于测试的假 LLM 类。这使您可以模拟对LLM的调用，并模拟如果LLM以某种方式响应会发生什么。

我觉得，这还不够假。于是，我自己写了一个TfboyLLM。以下是全部代码：

python

复制代码

from typing import Any, List, Mapping, Optional from langchain.callbacks.manager import CallbackManagerForLLMRun from langchain.llms.base import LLM import re class TfboyLLM(LLM): @property def _llm_type(self) -> str: return "custom" def _call( self, prompt: str, stop: Optional[List[str]] = None, run_manager: Optional[CallbackManagerForLLMRun] = None, ) -> str: print("问题:",prompt) pattern = re.compile(r'^.*(\d+[*/+-]\d+).*$') match = pattern.search(prompt) if match: result = eval(match.group(1)) elif "？" in prompt: rep_args = {"我":"你", "你":"我", "吗":"", "？":"！"} result = [(rep_args[c] if c in rep_args else c) for c in list(prompt)] result = ''.join(result) else: result = "很抱歉，请换一种问法。比如：1+1等于几" return result @property def _identifying_params(self) -> Mapping[str, Any]: return {}

我的TfboyLLM继承了langchain.llms.base的LLM类。需要实现它的两个方法：

• _call: 主要的处理方法，对传来的prompt问题分析，给他return一个答案。
• _identifying_params: 说明LLM类中的参数和数值。本例中没有类的成员变量。

其实关键要看_call中实现的逻辑：

• 收到prompt先打印出来。
• 对问题正则匹配，规则为：[数字]+[运算符]+[数字]。匹配到，返回计算结果。匹配不到继续执行。
• 判断有没有[?]。如果有，则对文本中字符进行替换，规则为：我->你, 你->我, 吗->"", ?->!。
• 如果都不符合，就返回：“很抱歉，请换一种问法。比如：1+1等于几”。

构建完了之后，调用这个TfboyLLM也很简单，和调用OpenAI一样。

python

复制代码

llm = TfboyLLM() print("答案:",llm("我能问你问题吗？"))

咱们看看效果如何：

python

复制代码

问题: 巴拉巴拉咕嘎咕嘎 -- 很抱歉，请换一种问法。比如：1+1等于几 问题: 我能问你问题吗？ -- 你能问我问题！ 问题: 189+981是多少 -- 990 问题: 你能和我结婚吗？ -- 我能和你结婚！ 问题: 开玩笑？ -- 开玩笑！

解决了LLM的问题，你就可以继续学习langchain。

现在业内卖课的，是有这么个说法，就是说LLM+langchain可以怎样怎样。

实际上这只是理论。是可以实现，但不是“嗖”一下就搞定。前前后后还有很多周边的东西需要处理。比如向模型扔文档资料这一步。你得先将pdf转成文字吧。pdf如何解析？带表格的，带水印的，怎么提取和剔除？pdf是照片扫描件的话，还得先走OCR识别！

想要真正落地，还需要接上很多条类似langchain的大腿。

好了，关于langchain就讲这么多。本文讲得很浅，就当入个门呗。你愿意学就继续研究，觉得没意思就放弃。反正，任何技术很难通过看一篇文章就能掌握。就算学做一道菜，不也得改良几次才能好吃吗？