无需代码，使用LangFlow轻松创建LangChain大模型应用 精华

人工智能领域因大型语言模型如ChatGPT的出现而焕然一新。这些模型能模拟人类语言，迅速被广泛采纳。ChatGPT在发布后仅两个月便吸引了1亿用户，彰显了巨大的影响力。

要将这些模型的潜力转化为实际应用，需要特定的工具，LangChain和LangFlow正是为此而生。

1 LangChain：构建智能应用的强大框架

LangChain是一个开源的Python工具，为开发者提供了强大的平台，可以将大型语言模型（LLMs）与众多工具和功能无缝对接。

LangChain不仅是一种工具，更是围绕大型语言模型（LLMs）构建的全面框架。可以用于创建聊天机器人、生成问题的回答、总结文本等等。

通过LangChain，开发者能够构建出理解和处理自然语言的复杂应用程序。其核心组件包括：

• 提示模板：提供多样化的提示模板，支持聊天机器人或问答系统等多种交互方式。
• 大型语言模型（LLMs）：集成了如GPT-3或BLOOM这样的先进模型，为应用提供强大的语言处理能力。
• 智能体（Agents）：这些智能体能够利用LLMs来决定执行的操作，调用网络搜索、计算器等工具，确保操作的连贯性。
• 记忆：包括短期记忆和长期记忆，使应用能够记住并利用历史信息。

2 LangFlow：LangChain的直观界面

LangFlow是LangChain的直观界面，极大地提升了用户体验。这个Web界面让开发者能够通过拖放组件的方式，直观地设计LangChain的工作流程。

• 可视化设计：开发者可以在画布上自由拖拽组件，轻松构建应用程序。
• 模块支持：LangFlow支持LangChain的多种模块，如链、智能体、提示、大型语言模型（LLMs）、记忆、工具、工具包和包装器。
• 灵活编辑：用户可以自由编辑提示、参数、链和代理，尝试不同的配置。
• 导出功能：完成的流程可以导出为JSON文件，方便与LangChain集成使用。

LangFlow的无代码解决方案不仅简化了开发过程，还使大型语言模型的应用更加普及，无论是资深开发者还是初学者都能轻松上手。

3 使用LangFlow

使用LangFlow需按照以下步骤操作：

3.1 安装

在终端并输入以下命令：

pip install langflow

3.2 启动

安装完成后，通过输入以下命令来启动LangFlow：

langflow

这个命令会在浏览器中打开一个新网页。

3.3 创建新项目

在网页上，点击“+New Project”按钮。这个操作将打开一个空白画布，你可以开始创建你的项目。

4 示例演示：构建PDF阅读器机器人

让我们使用LangFlow创建一个PDF阅读器机器人的原型。以下是逐步指南：

a. 从左侧面板将以下组件拖放到画布上：

• 从“加载器”中拖放PyPDFLoader
• 从“文本分割器”中拖放CharacterTextSplitter
• 从“嵌入”中拖放OpenAIEmbeddings
• 从“向量存储”中拖放FAISS
• 从“工具包”中拖放VectorStoreInfo
• 从“LLMs”中拖放OpenAI
• 从“代理”中拖放VectorStoreAgent

b. 点击PyPDFLoader中的“文件路径(File Path)”字段，并从本地驱动器上传一个PDF文件。在这个演示中，上传了一个名为“Introduction to AWS Security”的PDF文档。

c. 在OpenAI和OpenAIEmbedding的“OpenAI API密钥”字段中输入你的OpenAI API密钥。

d. 在VectorStoreInfo中提供一个名称（PDF）和描述（PDF阅读器）。

e. 将PyPDFLoader的输出连接到CharacterTextSplitter的输入。

f. 将CharacterTextSplitter和OpenAIEmbeddings的输出连接到FAISS的输入。

g. 将FAISS的输出连接到VectorStoreInfo的输入。

h. 将VectorStoreInfo和OpenAI的输出连接到VectorStoreAgent的输入。

现在应该看到一个图表，显示组件是如何链接在一起的。

接下来，点击界面右下角的红色闪电图标，开始编译并验证设置。当所有组件的右上角都亮起小绿灯时，表示一切准备就绪。

现在会看到一个新出现的蓝色按钮。点击它，就会打开一个类似ChatGPT的对话窗口。在这里，你可以提出问题，测试机器人是否真正理解了上传的PDF文档。

如果想要更深入地了解，可以导航到控制台。那里，可以观察到一些幕后进行的有趣过程，这些过程被形象地称为“观察”和“思考”，是整个系统运作的核心。

i. 最后，也可以将其导出为json文件并在其他应用程序中运行。

再次进入画布，点击左上角的保存按钮，然后点击导出按钮。

点击“下载流程”按钮后，创建一个名为“Cocky Almeida.json”的文件并存储在本地驱动器上。

为了验证这个PDF阅读器的操作，将执行一个本地Python应用程序。这里准备了一个名为“pdfreader.py”的Python文件，其中包含以下代码：

from langflow import load_flow_from_json

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

接下来，执行以下命令：

python3 pdfreader.py

从同一个控制台可以看到这个输出：

一切都按预期顺利运行。

5 结语

大型语言模型正在重塑我们的应用开发。LangChain和LangFlow这样的工具简化了将这些模型融入实际应用的过程，其价值随着AI技术的进步而日益增加。

无论是想构建一个复杂的人工智能应用，还是只想要探索大型语言模型的潜力，LangFlow都是一个非常值得考虑的资源。它不仅能够助力开发旅程，还能让你更深入地理解和利用这些前沿技术。

本文转载自 ​​AI科技论谈​​，作者： AI科技论谈