本文中，我们会通过一个简单的例子来展示如何使用 langchain
来调用大模型的 chat API（使用 Chat Model）。
这个例子前面也有使用过，但是前面还没有针对里面的内容进行详细的说明。
配置 key 的文档请看 langchain
入门指南（一）- 准备 API KEY
依赖安装
1
| pip install -U langchain-openai
|
示例
下面的 ChatOpenAI 表示我们要使用的是
Chat Model，顾名思义，这个模型是用来进行对话的，这也是我们最常用的一种模型。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
| from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage
chat = ChatOpenAI(
model="yi-large",
temperature=0.3,
max_tokens=200,
api_key='your key',
base_url="https://api.lingyiwanwu.com/v1"
)
messages = [
SystemMessage(content="你是一名精通了 golang 的专家"),
HumanMessage(content="写一个 golang 的 hello world 程序"),
]
response = chat.invoke(messages)
print(response.content)
|
ChatOpenAI 说明
使用 ChatOpenAI 类，我们可以调用 chat
API。ChatOpenAI 类的构造函数有以下参数：
ChatOpenAI 参数
model：模型名称，例如
yi-large（零一万物），gpt-3.5-turbo（OpenAI
HK）等。temperature：用于控制生成文本的多样性，值越大，生成的文本越多样化。max_tokens：生成文本的最大长度。（我们的输入和
LLM 的输出都需要消耗 token
数，所以如果只是测试，可以控制一下输出的 token
数量）api_key：API 密钥（支持多种，不只是 OpenAI
的）。不填写的话，会从环境变量中读取（对应的环境变量是
OPENAI_API_KEY）。base_url：API
的接口地址。不填写的话，会从环境变量中读取（对应的环境变量是
OPENAI_BASE_URL）。timeout：超时时间，单位是秒。max_retries: 最大重试次数。
invoke 方法的参数说明
我们可以看到上面的例子传递了一个 messages
参数，这个参数是一个列表，里面包含了 HumanMessage 和
SystemMessage。
在其他地方，我们可能会看到其他形式的参数，它实际上也支持很多种形式，例如：
元组列表
[元组列表]1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
| from langchain_openai import ChatOpenAI
chat = ChatOpenAI(
model="yi-large",
temperature=0.3,
max_tokens=200,
api_key='your key',
base_url="https://api.lingyiwanwu.com/v1",
)
messages = [
('system', '你是一名精通了 golang 的专家'),
('human', '写一个 golang 的 hello world 程序')
]
response = chat.invoke(messages)
print(response.content)
|
BaseMessage 列表
[BaseMessage 列表]1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
| from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage
chat = ChatOpenAI(
model="yi-large",
temperature=0.3,
max_tokens=200,
api_key='your key',
base_url="https://api.lingyiwanwu.com/v1",
)
messages = [
SystemMessage(content="你是一名精通了 golang 的专家"),
HumanMessage(content="写一个 golang 的 hello world 程序"),
]
response = chat.invoke(messages)
print(response.content)
|
字符串
[字符串]1
2
3
4
5
6
7
8
9
10
11
12
13
14
| from langchain_openai import ChatOpenAI
chat = ChatOpenAI(
model="yi-large",
temperature=0.3,
max_tokens=200,
api_key='your key',
base_url="https://api.lingyiwanwu.com/v1",
)
response = chat.invoke('使用 golang 写一个 hello world 程序')
print(response.content)
|
字符串列表
[字符串列表]1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
| from langchain_openai import ChatOpenAI
chat = ChatOpenAI(
model="yi-large",
temperature=0.3,
max_tokens=200,
api_key='your key',
base_url="https://api.lingyiwanwu.com/v1",
)
messages = [
"你是一名精通了 golang 的专家",
"写一个 golang 的 hello world 程序",
]
response = chat.invoke(messages)
print(response.content)
|
invoke 方法的返回值
上面是直接打印了返回值的 content
属性，实际上返回值中包含了其他一些有用的信息：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
| {
"lc": 1,
"type": "constructor",
"id": [
"langchain",
"schema",
"messages",
"AIMessage"
],
"kwargs": {
"content": "<...省略...>",
"response_metadata": {
"token_usage": {
"completion_tokens": 200,
"prompt_tokens": 35,
"total_tokens": 235
},
"model_name": "yi-large",
"system_fingerprint": null,
"finish_reason": "length",
"logprobs": null
},
"type": "ai",
"id": "run-29131a4f-e792-4c9e-8cf5-490afed94176-0",
"usage_metadata": {
"input_tokens": 35,
"output_tokens": 200,
"total_tokens": 235
},
"tool_calls": [],
"invalid_tool_calls": []
}
}
|
一些字段说明：
completion_tokens/output_tokens
是生成的文本的 token 数量。prompt_tokens/input_tokens 是输入的
token 数量。total_tokens 是单次请求总的 token
数量。
在实际的应用中，我们需要注意使用的 token
的数量，防止消耗太多的 token，因为 token
是要花钱来购买的。
如果我们是为其他人提供服务，可能就需要针对不同的用户来统计
token 的使用情况，以便计费。