LangChainJS：構(gòu)建AI驅(qū)動的JavaScript語言模型和智能體的強大框架

核心要點:

• LangChainJS是一個功能強大的JavaScript框架，使開發(fā)人員能夠構(gòu)建和試驗AI驅(qū)動的語言模型和智能體，并無縫集成到Web應(yīng)用程序中。
• 該框架允許創(chuàng)建能夠利用各種工具和數(shù)據(jù)源來執(zhí)行復(fù)雜語言任務(wù)（例如互聯(lián)網(wǎng)搜索和數(shù)學計算）的智能體，從而提高響應(yīng)的準確性和相關(guān)性。
• LangChain支持各種模型，包括用于簡單文本輸出的語言模型、用于交互式對話的聊天模型以及用于將文本轉(zhuǎn)換為數(shù)值向量的嵌入模型，從而促進各種NLP應(yīng)用程序的開發(fā)。
• 通過可定制的分塊方法可以高效地管理和處理文本數(shù)據(jù)，確保在處理大型文本時獲得最佳性能和上下文相關(guān)性。
• 除了使用OpenAI模型外，LangChain還兼容其他大型語言模型（LLM）和AI服務(wù)，為探索在其項目中集成不同AI的開發(fā)人員提供靈活性和擴展功能。

本指南將深入探討LangChain的關(guān)鍵組件，并演示如何在JavaScript中利用其強大功能。LangChainJS是一個通用的JavaScript框架，使開發(fā)人員和研究人員能夠創(chuàng)建、試驗和分析語言模型和智能體。它為自然語言處理（NLP）愛好者提供了豐富的功能，從構(gòu)建自定義模型到高效地操作文本數(shù)據(jù)。作為一個JavaScript框架，它還允許開發(fā)人員輕松地將他們的AI應(yīng)用程序集成到Web應(yīng)用程序中。

前提條件:

要學習本文，請創(chuàng)建一個新文件夾并安裝LangChain npm包：

npm install -S langchain

創(chuàng)建新文件夾后，使用.mjs后綴創(chuàng)建一個新的JS模塊文件（例如test1.mjs）。

智能體 (Agents):

在LangChain中，智能體是一個能夠理解和生成文本的實體。這些智能體可以配置特定的行為和數(shù)據(jù)源，并經(jīng)過訓練以執(zhí)行各種與語言相關(guān)的任務(wù)，使其成為各種應(yīng)用的多功能工具。

創(chuàng)建LangChain智能體:

智能體可以配置為使用“工具”來收集所需的數(shù)據(jù)并制定良好的響應(yīng)。請看下面的示例。它使用Serp API（一個互聯(lián)網(wǎng)搜索API）來搜索與問題或輸入相關(guān)的信息，并以此來做出響應(yīng)。它還使用llm-math工具執(zhí)行數(shù)學運算——例如，轉(zhuǎn)換單位或查找兩個值之間的百分比變化：

npm install -S langchain

在使用modelName: "gpt-3.5-turbo"和temperature: 0創(chuàng)建模型變量后，我們創(chuàng)建了執(zhí)行器，它將創(chuàng)建的模型與指定的工具（SerpAPI和Calculator）結(jié)合起來。在輸入中，我要求LLM搜索互聯(lián)網(wǎng)（使用SerpAPI），并找出自2010年以來哪個藝術(shù)家發(fā)行了更多專輯——Nas還是Boldy James——并顯示百分比差異（使用Calculator）。

在這個例子中，我必須明確地告訴LLM“通過搜索互聯(lián)網(wǎng)……”，讓它使用互聯(lián)網(wǎng)獲取直到今天的數(shù)據(jù)，而不是使用OpenAI默認的僅限于2021年的數(shù)據(jù)。

輸出如下所示：

import { initializeAgentExecutorWithOptions } from "langchain/agents";
import { ChatOpenAI } from "langchain/chat_models/openai";
import { SerpAPI } from "langchain/tools";
import { Calculator } from "langchain/tools/calculator";

process.env["OPENAI_API_KEY"] = "YOUR_OPENAI_KEY"
process.env["SERPAPI_API_KEY"] = "YOUR_SERPAPI_KEY"

const tools = [new Calculator(), new SerpAPI()];
const model = new ChatOpenAI({ modelName: "gpt-3.5-turbo", temperature: 0 });

const executor = await initializeAgentExecutorWithOptions(tools, model, {
  agentType: "openai-functions",
  verbose: false,
});

const result = await executor.run("通過搜索互聯(lián)網(wǎng)，查找Boldy James自2010年以來發(fā)行了多少張專輯，以及Nas自2010年以來發(fā)行了多少張專輯？找出誰發(fā)行了更多專輯，并顯示百分比差異。");
console.log(result);

模型 (Models):

LangChain中有三種類型的模型：LLM、聊天模型和文本嵌入模型。讓我們通過一些示例來探索每種類型的模型。

語言模型 (Language Model):

LangChain提供了一種在JavaScript中使用語言模型的方法，以根據(jù)文本輸入生成文本輸出。它不像聊天模型那樣復(fù)雜，最適合用于簡單的輸入-輸出語言任務(wù)。以下是一個使用OpenAI的示例：

<code>// 輸出將取決于互聯(lián)網(wǎng)搜索結(jié)果</code>

如你所見，它使用gpt-3.5-turbo模型列出所有紅色的漿果。在這個例子中，我將溫度設(shè)置為0，以使LLM具有事實上的準確性。

輸出：

import { OpenAI } from "langchain/llms/openai";

const llm = new OpenAI({
  openAIApiKey: "YOUR_OPENAI_KEY",
  model: "gpt-3.5-turbo",
  temperature: 0
});

const res = await llm.call("列出所有紅色的漿果");

console.log(res);

聊天模型 (Chat Model):

如果你想要更復(fù)雜的答案和對話，你需要使用聊天模型。從技術(shù)上講，聊天模型與語言模型有何不同？用LangChain文檔中的話來說：

聊天模型是語言模型的一種變體。雖然聊天模型在后臺使用語言模型，但它們使用的接口略有不同。它們不是使用“文本輸入，文本輸出”API，而是使用“聊天消息”作為輸入和輸出的接口。

這是一個簡單的（相當無用但有趣的）JavaScript聊天模型腳本：

<code>// 輸出將列出紅色的漿果</code>

如你所見，代碼首先發(fā)送系統(tǒng)消息，并告訴聊天機器人成為一個總是用押韻回答的詩意助手，之后它發(fā)送一條人類消息，告訴聊天機器人告訴我誰是更好的網(wǎng)球運動員：德約科維奇、費德勒還是納達爾。如果你運行這個聊天機器人模型，你會看到類似這樣的內(nèi)容：

import { ChatOpenAI } from "langchain/chat_models/openai";
import { PromptTemplate } from "langchain/prompts";

const chat = new ChatOpenAI({
  openAIApiKey: "YOUR_OPENAI_KEY",
  model: "gpt-3.5-turbo",
  temperature: 0
});
const prompt = PromptTemplate.fromTemplate(`你是一個詩意的助手，總是用押韻來回答：{question}`);
const runnable = prompt.pipe(chat);
const response = await runnable.invoke({ question: "誰更好，德約科維奇、費德勒還是納達爾？" });
console.log(response);

嵌入 (Embeddings):

嵌入模型提供了一種將文本中的單詞和數(shù)字轉(zhuǎn)換為向量的方法，然后可以將這些向量與其他單詞或數(shù)字關(guān)聯(lián)起來。這聽起來可能很抽象，所以讓我們來看一個例子：

<code>// 輸出將是一個用押韻回答的問題</code>

這將返回一個很長的浮點數(shù)列表：

import { OpenAIEmbeddings } from "langchain/embeddings/openai";

process.env["OPENAI_API_KEY"] = "YOUR_OPENAI_KEY"

const embeddings = new OpenAIEmbeddings();
const res = await embeddings.embedQuery("誰創(chuàng)造了萬維網(wǎng)？");
console.log(res)

這就是嵌入的樣子。僅僅六個單詞就有這么多的浮點數(shù)！

然后可以使用此嵌入將輸入文本與潛在答案、相關(guān)文本、名稱等關(guān)聯(lián)起來。

現(xiàn)在讓我們來看一個嵌入模型的用例……

現(xiàn)在，這是一個腳本，它將使用嵌入來獲取問題“最重的動物是什么？”并從提供的可能的答案列表中找到正確的答案：

npm install -S langchain

分塊 (Chunks):

LangChain模型無法處理大型文本并使用它們來生成響應(yīng)。這就是分塊和文本分割發(fā)揮作用的地方。讓我向你展示兩種在將文本數(shù)據(jù)饋送到LangChain之前將其分割成塊的簡單方法。

按字符分割分塊:

為了避免分塊中的突然中斷，你可以通過在換行符的每次出現(xiàn)處分割文本，按段落分割文本：

import { initializeAgentExecutorWithOptions } from "langchain/agents";
import { ChatOpenAI } from "langchain/chat_models/openai";
import { SerpAPI } from "langchain/tools";
import { Calculator } from "langchain/tools/calculator";

process.env["OPENAI_API_KEY"] = "YOUR_OPENAI_KEY"
process.env["SERPAPI_API_KEY"] = "YOUR_SERPAPI_KEY"

const tools = [new Calculator(), new SerpAPI()];
const model = new ChatOpenAI({ modelName: "gpt-3.5-turbo", temperature: 0 });

const executor = await initializeAgentExecutorWithOptions(tools, model, {
  agentType: "openai-functions",
  verbose: false,
});

const result = await executor.run("通過搜索互聯(lián)網(wǎng)，查找Boldy James自2010年以來發(fā)行了多少張專輯，以及Nas自2010年以來發(fā)行了多少張專輯？找出誰發(fā)行了更多專輯，并顯示百分比差異。");
console.log(result);

這是分割文本的一種有用方法。但是，你可以使用任何字符作為分塊分隔符，而不僅僅是n。

遞歸分割分塊:

如果你想嚴格地按一定長度的字符分割文本，可以使用RecursiveCharacterTextSplitter：

<code>// 輸出將取決于互聯(lián)網(wǎng)搜索結(jié)果</code>

在這個例子中，文本每100個字符分割一次，分塊重疊為15個字符。

分塊大小和重疊:

通過查看這些示例，你可能已經(jīng)開始想知道分塊大小和重疊參數(shù)的確切含義以及它們對性能的影響。好吧，讓我簡單地說明兩點。

• 分塊大小決定每個分塊中的字符數(shù)量。分塊大小越大，分塊中的數(shù)據(jù)越多，LangChain處理它并生成輸出所需的時間就越長，反之亦然。
• 分塊重疊是共享分塊之間信息的內(nèi)容，以便它們共享一些上下文。分塊重疊越高，你的分塊就越冗余；分塊重疊越低，分塊之間共享的上下文就越少。通常，良好的分塊重疊約為分塊大小的10%到20%，盡管理想的分塊重疊因不同的文本類型和用例而異。

鏈 (Chains):

鏈基本上是多個LLM功能鏈接在一起以執(zhí)行更復(fù)雜的任務(wù)，否則無法通過簡單的LLM輸入->輸出方式完成。讓我們來看一個很酷的例子：

import { OpenAI } from "langchain/llms/openai";

const llm = new OpenAI({
  openAIApiKey: "YOUR_OPENAI_KEY",
  model: "gpt-3.5-turbo",
  temperature: 0
});

const res = await llm.call("列出所有紅色的漿果");

console.log(res);

超越OpenAI:

即使我一直使用OpenAI模型作為LangChain不同功能的示例，它也不限于OpenAI模型。你可以將LangChain與眾多其他LLM和AI服務(wù)一起使用。你可以在他們的文檔中找到LangChain和JavaScript可集成LLM的完整列表。

例如，你可以將Cohere與LangChain一起使用。安裝Cohere后，使用npm install cohere-ai，你可以使用LangChain和Cohere創(chuàng)建一個簡單的問答代碼，如下所示：

<code>// 輸出將列出紅色的漿果</code>

輸出：

import { ChatOpenAI } from "langchain/chat_models/openai";
import { PromptTemplate } from "langchain/prompts";

const chat = new ChatOpenAI({
  openAIApiKey: "YOUR_OPENAI_KEY",
  model: "gpt-3.5-turbo",
  temperature: 0
});
const prompt = PromptTemplate.fromTemplate(`你是一個詩意的助手，總是用押韻來回答：{question}`);
const runnable = prompt.pipe(chat);
const response = await runnable.invoke({ question: "誰更好，德約科維奇、費德勒還是納達爾？" });
console.log(response);

結(jié)論:

在本指南中，你已經(jīng)看到了LangChain在JavaScript中的不同方面和功能。你可以使用LangChain在JavaScript中輕松開發(fā)AI驅(qū)動的Web應(yīng)用程序并試驗LLM。請務(wù)必參考LangChainJS文檔以了解有關(guān)特定功能的更多詳細信息。

祝你使用LangChain在JavaScript中進行快樂的編碼和實驗！如果你喜歡這篇文章，你可能還想閱讀有關(guān)使用LangChain與Python的文章。

以上是JavaScript中Langchain的完整指南的詳細內(nèi)容。更多信息請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！