Python 批量导出数据库数据至 Excel 文件裳
简介
langchain专门用于构建LLM大语言模型，其中提供了大量的prompt模板，和组件，通过chain(链)的方式将流程连接起来，操作简单，开发便捷。
环境配置
安装langchain框架
pip install langchain langchain-community
其中langchain可以提供了各种大模型语言库选择，（这里只列举几个）例如：
#chatgpt
pip install langchain-openai
#hugging face
pip install langchain-huggingface
#千问
pip install langchain-qwq
1. 让模型跑起来
如何让你llm跑起来，这里用的是千问，来演示
案例
import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
#这里是你的千问apikey
os.environ["DASHSCOPE_API_KEY"] = "apikey"
model = ChatTongyi(model="qwen-plus")
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个精通{topic}的资深技术专家。"),
("user", "请用三句话解释一下什么是{concept}。")
])
output_parser = StrOutputParser()
chain = prompt | model | output_parser
#文本输出
response = chain.invoke({"topic": "Python", "concept": "列表"})
print(response)
#分割
print("="*30)
#流式输出
for chunk in chain.stream({"topic": "人工智能", "concept": "神经网络"}):
print(chunk, end="", flush=True)
代码解释
整个代码的流程如下：
创建模型->构建提示词->构建chain链->使用大模型
创建模型
这一步用不同的模型可能会不同
这里利用langchain的千问库创建模型，可能会不同
model = ChatTongyi(model="qwen-plus")
#例如用chatgpt
llm = init_chat_model("gpt-4o", model_provider="openai")
构建提示词
这一步构建利用了langchain库提供提示词模板：
其中用{}阔起来的在调用时可以动态用字典替换
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个精通{topic}的资深技术专家。"),
("user", "请用三句话解释一下什么是{concept}。")
])
各个角色功能如下：
角色名称 (Role) 对应的类 作用说明
system SystemMessage 系统提示词。用于设定 AI 的“人格”、专业背景、行为准则或约束条件。它通常优先级最高，决定了后续对话的基调。
user HumanMessage 用户消息。代表人类发送的内容。这是模型需要直接回答或处理的问题。
ai AIMessage AI 消息。代表模型之前的回复。在构建多轮对话（带记忆）时，需要把模型之前的回复传回去。
构建chain链
这个是langchain的灵魂，这里简单说明，后面会发更详细的教学文章
chain链的运行流程如下：
将输入填充prompt->将完整prompt喂给LLM->直接解析返回文本
StrOutputParser()这个是langchain提供的文本解析器，用于将上面的结果解析为文本
output_parser = StrOutputParser()
chain = prompt | model | output_parser
使用大模型
这里有两种方式：
直接输出完整的文本
response = chain.invoke({"topic": "Python", "concept": "列表"})
print(response)
流文本输出（打字机）
for chunk in chain.stream({"topic": "人工智能", "concept": "神经网络"}):
print(chunk, end="", flush=True)兑厦钢颓