人工智能領域因大型語言模型如ChatGPT的出現而煥然一新。這些模型能模擬人類語言，迅速被廣泛采納。ChatGPT在發布后僅兩個月便吸引了1億用戶，彰顯了巨大的影響力。

要將這些模型的潛力轉化為實際應用，需要特定的工具，LangChain和LangFlow正是為此而生。

1 LangChain：構建智能應用的強大框架

LangChain是一個開源的Python工具，為開發者提供了強大的平臺，可以將大型語言模型（LLMs）與眾多工具和功能無縫對接。

LangChain不僅是一種工具，更是圍繞大型語言模型（LLMs）構建的全面框架。可以用于創建聊天機器人、生成問題的回答、總結文本等等。

通過LangChain，開發者能夠構建出理解和處理自然語言的復雜應用程序。其核心組件包括：

• 提示模板：提供多樣化的提示模板，支持聊天機器人或問答系統等多種交互方式。
• 大型語言模型（LLMs）：集成了如GPT-3或BLOOM這樣的先進模型，為應用提供強大的語言處理能力。
• 智能體（Agents）：這些智能體能夠利用LLMs來決定執行的操作，調用網絡搜索、計算器等工具，確保操作的連貫性。
• 記憶：包括短期記憶和長期記憶，使應用能夠記住并利用歷史信息。

2 LangFlow：LangChain的直觀界面

LangFlow是LangChain的直觀界面，極大地提升了用戶體驗。這個Web界面讓開發者能夠通過拖放組件的方式，直觀地設計LangChain的工作流程。

• 可視化設計：開發者可以在畫布上自由拖拽組件，輕松構建應用程序。
• 模塊支持：LangFlow支持LangChain的多種模塊，如鏈、智能體、提示、大型語言模型（LLMs）、記憶、工具、工具包和包裝器。
• 靈活編輯：用戶可以自由編輯提示、參數、鏈和代理，嘗試不同的配置。
• 導出功能：完成的流程可以導出為JSON文件，方便與LangChain集成使用。

LangFlow的無代碼解決方案不僅簡化了開發過程，還使大型語言模型的應用更加普及，無論是資深開發者還是初學者都能輕松上手。

3 使用LangFlow

使用LangFlow需按照以下步驟操作：

3.1 安裝

在終端并輸入以下命令：

pip install langflow

3.2 啟動

安裝完成后，通過輸入以下命令來啟動LangFlow：

langflow

這個命令會在瀏覽器中打開一個新網頁。

3.3 創建新項目

在網頁上，點擊“+New Project”按鈕。這個操作將打開一個空白畫布，你可以開始創建你的項目。

4 示例演示：構建PDF閱讀器機器人

讓我們使用LangFlow創建一個PDF閱讀器機器人的原型。以下是逐步指南：

a. 從左側面板將以下組件拖放到畫布上：

• 從“加載器”中拖放PyPDFLoader
• 從“文本分割器”中拖放CharacterTextSplitter
• 從“嵌入”中拖放OpenAIEmbeddings
• 從“向量存儲”中拖放FAISS
• 從“工具包”中拖放VectorStoreInfo
• 從“LLMs”中拖放OpenAI
• 從“代理”中拖放VectorStoreAgent

b. 點擊PyPDFLoader中的“文件路徑(File Path)”字段，并從本地驅動器上傳一個PDF文件。在這個演示中，上傳了一個名為“Introduction to AWS Security”的PDF文檔。

c. 在OpenAI和OpenAIEmbedding的“OpenAI API密鑰”字段中輸入你的OpenAI API密鑰。

d. 在VectorStoreInfo中提供一個名稱（PDF）和描述（PDF閱讀器）。

e. 將PyPDFLoader的輸出連接到CharacterTextSplitter的輸入。

f. 將CharacterTextSplitter和OpenAIEmbeddings的輸出連接到FAISS的輸入。

g. 將FAISS的輸出連接到VectorStoreInfo的輸入。

h. 將VectorStoreInfo和OpenAI的輸出連接到VectorStoreAgent的輸入。

現在應該看到一個圖表，顯示組件是如何鏈接在一起的。

接下來，點擊界面右下角的紅色閃電圖標，開始編譯并驗證設置。當所有組件的右上角都亮起小綠燈時，表示一切準備就緒。

現在會看到一個新出現的藍色按鈕。點擊它，就會打開一個類似ChatGPT的對話窗口。在這里，你可以提出問題，測試機器人是否真正理解了上傳的PDF文檔。

如果想要更深入地了解，可以導航到控制臺。那里，可以觀察到一些幕后進行的有趣過程，這些過程被形象地稱為“觀察”和“思考”，是整個系統運作的核心。

i. 最后，也可以將其導出為json文件并在其他應用程序中運行。

再次進入畫布，點擊左上角的保存按鈕，然后點擊導出按鈕。

點擊“下載流程”按鈕后，創建一個名為“Cocky Almeida.json”的文件并存儲在本地驅動器上。

為了驗證這個PDF閱讀器的操作，將執行一個本地Python應用程序。這里準備了一個名為“pdfreader.py”的Python文件，其中包含以下代碼：

from langflow import load_flow_from_json

flow = load_flow_from_json("Cocky Almeida.json")
flow("what is title of the document ?")

接下來，執行以下命令：

python3 pdfreader.py

從同一個控制臺可以看到這個輸出：

一切都按預期順利運行。

5 結語

大型語言模型正在重塑我們的應用開發。LangChain和LangFlow這樣的工具簡化了將這些模型融入實際應用的過程，其價值隨著AI技術的進步而日益增加。

無論是想構建一個復雜的人工智能應用，還是只想要探索大型語言模型的潛力，LangFlow都是一個非常值得考慮的資源。它不僅能夠助力開發旅程，還能讓你更深入地理解和利用這些前沿技術。

本文轉載自 ??AI科技論談??，作者： AI科技論談