Pt1—用LCEL搭建构建一个简单的LLM应用

环境配置

LangSmith 环境配置

# 基本环境变量
LangSmith_Key_API = "lsv2_ptxxx"
Deepseek_Key_API = "sk-xxx"

# 1. 安装必要库
# pip install langsmith

# 2. 配置环境变量
import os
os.environ["LANGCHAIN_API_KEY"] = LangSmith_Key_API
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "lineaLLMwithLCEL"

# 3. LangSmith追踪开启

LangChain 环境配置

# 1. 安装必要库
# pip install langchain langchain-openai

# 2. 配置环境变量
os.environ["DEEPSEEK_API_KEY"] = Deepseek_Key_API

语言模型基础调用

核心概念

• ChatModel: 对话模型，接收消息列表，返回消息
• Message类型:
  • SystemMessage: 系统提示，指导AI的行为
  • HumanMessage: 用户输入
  • AIMessage: AI的回复

基本代码示例

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 1. 创建模型实例（DeepSeek模型）
model = ChatOpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key=os.environ["DEEPSEEK_API_KEY"],
    model="deepseek-chat",  # 或 "deepseek-reasoner"（深度思考模式）
)

# 2. 准备对话消息
messages = [
    SystemMessage(content="将以下内容从英语翻译成意大利语"),
    HumanMessage(content="你好,世界！"),
]

# 3. 调用模型
response = model.invoke(messages)
print(response.content)  # 输出: Ciao, mondo!

# 4. 调用成本分析
print(f"输入Token: {response.usage_metadata['input_tokens']}")
print(f"输出Token: {response.usage_metadata['output_tokens']}")
print(f"总Token: {response.usage_metadata['total_tokens']}")

OutputParsers（输出解析器）

功能说明

OutputParser 用于解析模型的输出，提取需要的信息。StrOutputParser 是最简单的输出解析器，专门提取模型回复中的文本内容。

使用示例

from langchain_core.output_parsers import StrOutputParser

# 创建解析器
parser = StrOutputParser()

# 不使用管道操作符
result = model.invoke(messages)
parsed_result = parser.invoke(result)
print(parsed_result)

# 使用管道操作符（推荐）
chain = model | parser
result = chain.invoke(messages)
print(result)

Prompt Template（提示模板）

功能说明

PromptTemplate 是用于生成提示的模板，允许创建可重用的提示结构，包含变量占位符，运行时被实际值替换。

使用示例

from langchain_core.prompts import ChatPromptTemplate

# 1. 定义系统提示模板
system_template = "将以下内容从英语翻译成{语言}"
user_template = "{内容}"

# 2. 创建完整的提示模板
prompt_template = ChatPromptTemplate.from_messages([
    ("system", system_template),
    ("user", user_template)
])

# 3. 使用模板
prompt_value = prompt_template.invoke({
    "语言": "意大利语",
    "内容": "你好,世界!"
})

LCEL（LangChain表达式语言）

核心思想

将LLM应用构建为一系列可组合的组件，通过管道操作符(|)连接。每个组件接收输入，产生输出，输出作为下一个组件的输入。

完整示例

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1. 创建各个组件
model = ChatOpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key=os.environ["DEEPSEEK_API_KEY"],
    model="deepseek-chat"
)

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "将以下内容从英语翻译成{语言}"),
    ("user", "{内容}")
])

parser = StrOutputParser()

# 2. 链接组件
chain = prompt_template | model | parser

# 3. 调用链
result = chain.invoke({
    "语言": "日本语",
    "内容": "hello,world"
})

print(f"翻译结果: {result}")  # 输出: こんにちは、世界

使用LangServe服务

功能说明

LangServe 是LangChain的部署工具，可以将LangChain应用快速转换为REST API服务。

服务器创建 (server.py)

#!/usr/bin/env python
from fastapi import FastAPI
from langserve import add_routes
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

# 1. 创建模型组件
model = ChatOpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key=os.environ["DEEPSEEK_API_KEY"],
    model="deepseek-chat"
)

# 2. 创建提示模板
prompt_template = ChatPromptTemplate.from_messages([
    ("system", "将以下内容从英语翻译成{语言}"),
    ("user", "{内容}")
])

# 3. 创建解析器
parser = StrOutputParser()

# 4. 创建处理链
chain = prompt_template | model | parser

# 5. 创建FastAPI应用
app = FastAPI(
    title="翻译服务API",
    version="1.0",
    description="一个简单的翻译服务，使用LangChain构建",
)

# 6. 添加路由
add_routes(
    app,
    chain,
    path="/translate",  # API路径
)

# 7. 运行服务器
if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="localhost", port=8000)

运行服务器

python server.py

客户端调用

from langserve import RemoteRunnable

# 创建远程调用对象
remote_chain = RemoteRunnable("http://localhost:8000/translate/")

# 调用远程服务
result = remote_chain.invoke({
    "language": "french",
    "text": "How are you?"
})

print(f"翻译结果: {result}")  # 输出: Comment allez-vous ?

重要概念说明

路由（Routes）

路由是Web开发中的核心概念，将特定的URL路径映射到具体的处理函数。简单说，路由就是网络的"导航系统"。

Uvicorn

Uvicorn 是一个ASGI（异步服务器网关接口）Web服务器，专门用于运行Python异步Web应用。它是Python Web应用的"发动机"，负责接收HTTP请求、调用代码、返回响应。

Playground测试界面

运行服务器后，在浏览器中打开：http://localhost:8000/translate/playground/
这是一个交互式界面，可以：

• 输入JSON格式的参数
• 点击"Execute"运行
• 查看实时输出结果

Python数据结构对比

类方法 vs 实例方法 vs 静态方法