LangChain应运而生，为开发者们提供了一种高效、便捷的工具，助力他们构建出功能强大的大型语言模型应用。本文将带您走进LangChain的世界，揭秘其背后的技术原理，探讨如何利用这一利器来拓展语言模型的无限可能。通过丰富的实例分析和实战教程，让您从入门到精通，轻松掌握LangChain的核心技能，为您的AI项目插上翅膀，迈向成功的彼岸。
安装智谱清言和langchain_community：
pip install langchain langchain_community
pip install --upgrade httpx httpx-sse PyJWT
提示用户输入智谱请言的KEY(去官网申请)：
import os
import getpass
if "ZHIPUAI_API_KEY" not in os.environ or not os.environ["ZHIPUAI_API_KEY"]:# 使用getpass安全地提示用户输入api_key = getpass.getpass(prompt='Enter your API key: ')os.environ["ZHIPUAI_API_KEY"] = api_key
调用智谱清言的模型ChatZhipuAI
from langchain_community.chat_models import ChatZhipuAI
from langchain_openai import ChatOpenAImodel = ChatZhipuAI(model="glm-4",temperature=0.5,
)
from langchain_core.messages import HumanMessage
respon = model.invoke([HumanMessage(content="Hi! 我是Bob")])
print(respon)
输出AIMessage对象：
AIMessage(content=‘你好，Bob！有什么我可以帮助你的吗？’, additional_kwargs={}, response_metadata={‘token_usage’: {‘completion_tokens’: 12, ‘prompt_tokens’: 9, ‘total_tokens’: 21}, ‘model_name’: ‘glm-4’, ‘finish_reason’: ‘stop’}, id=‘run-7867a109-53f4-4129-931e-e3d85b77a486-0’)
“model.invoke”的作用
“model.invoke”是一个函数调用，它通常用于触发模型的特定功能。在人工智能对话系统中，这个调用可以是向模型发送一个请求，然后模型会根据请求的内容返回相应的回答。这个过程就像是用户与智能助手之间的对话，用户提出问题，智能助手给出回答。
根据提供的AIMessage对象信息，下面是对各字段的解析说明：
content: 这是消息的主要内容，即AI模型生成的文本回复。在这个例子中，AI模型回复了一条问候消息：“你好，Bob！有什么我可以帮助你的吗？”additional_kwargs: 这是一个字典，用于存储额外的参数，这些参数可能会在生成消息时被使用。在这个例子中，additional_kwargs是空的，这意味着没有额外的参数被传递或使用。response_metadata: 这个字段包含了关于消息生成的元数据，它是一个字典，包含了以下几个键：token_usage: 描述了生成消息时使用的令牌数量。它包含以下子键：completion_tokens: 完成令牌的数量，即用于生成最终回复的令牌数量。在这个例子中，使用了12个完成令牌。prompt_tokens: 提示令牌的数量，即输入到模型中的令牌数量。在这个例子中，使用了9个提示令牌。total_tokens: 总令牌数量，即完成令牌和提示令牌的总和。在这个例子中，总共使用了21个令牌。
model_name: 表示生成消息所使用的AI模型的名称。在这个例子中，模型名称是"glm-4"。finish_reason: 描述了生成过程结束的原因。在这个例子中，finish_reason是"stop"，这意味着生成过程是因为达到了某种停止条件（例如生成了足够数量的令牌或遇到了特定的结束标记）而停止的。
id: 这是一个唯一的消息标识符，用于区分不同的消息实例。在这个例子中，消息的ID是"run-7867a109-53f4-4129-931e-e3d85b77a486-0"。
综上所述，这个AIMessage对象代表了一条由"glm-4"模型生成的问候消息，该消息使用了21个令牌，其中包括12个完成令牌和9个提示令牌，并且生成过程是因为达到了停止条件而结束的。
