langchain0.3教程：从0到1打造一个智能聊天机器人

在上一篇文章《大模型开发之langchain0.3（一）：入门篇》 中已经介绍了langchain开发框架的搭建，最后使用langchain实现了HelloWorld的代码案例，本篇文章将从0到1搭建带有记忆功能的聊天机器人。
一、gradio

我们可以使用gradio“画”出类似于chatgpt官网的聊天界面，gradio的特点就是“快”，不用考虑html怎么写，css样式怎么写，该怎样处理按钮的响应。。这一切都被gradio处理完了，我们只需要使用即可。
gradio官网：https://www.gradio.app/
官网首页上列举了几种典型的gradio使用场景，其中一种正是我们想要的chatbot的使用场景：

找到左下方对应的源码链接，复制到我们的项目：

1. import time
2. import gradio as gr
4. # 生成器函数，用于模拟流式输出
5. def slow_echo(message, history):
6.     for i in range(len(message)):
7.         time.sleep(0.05)
8.         yield "You typed: " + message[: i + 1]
10. demo = gr.ChatInterface(
11.     slow_echo,
12.     type="messages",
13.     flagging_mode="manual",
14.     flagging_options=["Like", "Spam", "Inappropriate", "Other"],
15.     save_history=True,
16. )
18. if __name__ == "__main__":
19.     demo.launch()

复制代码

我们安装好最新版本的gradio就可以成功运行以上代码了：

1. pip install gradio==5.23.1

复制代码

二、聊天机器人实现

根据上一节内容，将大模型的输出给到gradio即可，完整实现代码如下：

1. import gradio as gr
3. from langchain.chat_models import init_chat_model
5. model = init_chat_model("gpt-4o", model_provider="openai")
8. def do_response(message, history):
9.     resp = model.invoke(message)
10.     return resp.content
13. demo = gr.ChatInterface(
14.     do_response,
15.     type="messages",
16.     flagging_mode="manual",
17.     flagging_options=["Like", "Spam", "Inappropriate", "Other"],
18.     save_history=True,
19. )
21. if __name__ == "__main__":
22.     demo.launch()

复制代码

代码运行结果如下所示：

可以看到，响应时间比较长，足足有十秒钟，在这期间看不到中间的过程，只在最后一次性输出了最终内容，对于用户来说很不友好。
接下来将它改造成流式输出。
优化一：流式输出

想要改造流式输出，首先得大模型支持流式输出，再者改造gradio，让它支持流式输出显示。
关于模型的流式输出文档：https://python.langchain.com/docs/how_to/streaming_llm/
关于gradio的流式输出显示文档：https://www.gradio.app/guides/creating-a-chatbot-fast#streaming-chatbots
简单来说，gradio的流式输出很简单，将do_response方法改造成生成器函数即可

1. import time
2. import gradio as gr
4. def slow_echo(message, history):
5.     for i in range(len(message)):
6.         time.sleep(0.3)
7.         yield "You typed: " + message[: i+1]
9. gr.ChatInterface(
10.     fn=slow_echo,
11.     type="messages"
12. ).launch()

复制代码

而stream方法支持流式输出，使用示例如下所示：

1. from langchain_openai import OpenAI
3. llm = OpenAI(model="gpt-3.5-turbo-instruct", temperature=0, max_tokens=512)
4. for chunk in llm.stream("Write me a 1 verse song about sparkling water."):
5.     print(chunk, end="|", flush=True)

复制代码

两者结合起来，改造后的流式输出代码如下所示：

1. import gradio as gr
3. from langchain.chat_models import init_chat_model
5. model = init_chat_model("gpt-4o", model_provider="openai")
8. def response(message, history):
9.     resp = ""
10.     for chunk in model.stream(message):
11.         resp = resp + chunk.content
12.         yield resp
15. demo = gr.ChatInterface(
16.     fn=response,
17.     type="messages",
18.     flagging_mode="manual",
19.     flagging_options=["Like", "Spam", "Inappropriate", "Other"],
20.     save_history=True,
21. )
23. if __name__ == '__main__':
24.     demo.launch()

复制代码

运行结果：

这样就实现了流式输出。
但是这个程序还有问题：它没有记忆功能，如下所示

接下来对它继续优化，加上记忆功能
优化二：上下文记忆功能

在改造之前，需要先了解几个概念：Chat history、Messages
大模型之所以有记忆功能，是因为每次和大模型对话，都会将历史记录一起送给大模型。

和大模型的交互的过程中，最常见的有三种消息类型：System Message、Human Message、AI Message。
消息类型释义System Message就是开始对话之前对大模型的引导信息，比如“你是一个智能助手，回答用户信息请使用中文”，这样让大模型“扮演”某种角色。Human Message我们提出的问题AI Message大模型响应的问题。这三种消息被langchain封装成了不同的类以方便使用：SystemMessage、HumanMessage、AIMessage
那如何将对话历史记录告诉大模型呢？
答案在于model.stream方法，stream默认我们只传输了一个字符串，也就是用户的提问消息，实际上它的类型是LanguageModelInput

LanguageModelInput的定义如下

Union的意思就是“选择其中之一”的意思，也就是说LanguageModelInput可以是PromptValue、字符串，或者Sequence[MessageLikeRepresentation]任意之一，关键点就在于Sequence[MessageLikeRepresentation]，从字面意思上来看它是一个列表类的对象，MessageLikeRepresentation的定义如下，它支持BaseMessage类型

也就是说，可以传递一个BaseMessage类型的List给stream方法，而SystemMessage、HumanMessage、AIMessage 均是BaseMessage的子类。。。一切清晰明了了，可以用一行代码实现gradio历史记录到BaseMessage列表的转换：

1. h = [HumanMessage(i["content"]) if i["role"] == 'user' else AIMessage(i["content"]) for i in history]

复制代码

优化后的完整代码如下所示：

1. import gradio as gr
2. from langchain.chat_models import init_chat_model
3. from langchain_core.messages import HumanMessage, AIMessage
5. model = init_chat_model("gpt-4o", model_provider="openai")
8. def response(message, history):
9.     h = [HumanMessage(i["content"]) if i["role"] == 'user' else AIMessage(i["content"]) for i in history]
10.     h.append(HumanMessage(message))
11.     resp = ""
12.     for chunk in model.stream(h):
13.         resp = resp + chunk.content
14.         yield resp
17. demo = gr.ChatInterface(
18.     fn=response,
19.     type="messages",
20.     flagging_mode="manual",
21.     flagging_options=["Like", "Spam", "Inappropriate", "Other"],
22.     save_history=True,
23. )
25. if __name__ == '__main__':
26.     demo.launch()

复制代码

运行结果如下：

好了，到此，我们用了不到30行代码实现了一个基本的智能聊天机器人，这个程序还有什么问题需要注意的吗？我们思考一下，每次和大模型交互，都要将所有历史记录传递给大模型，这行的通吗？实际上每种大模型都有输入长度的限制，如果不加以限制的话，会很容易超出大模型能够输入字符的上限，接下来改造下这段代码，限制输入的字符数量。
优化三：限制输入长度

关于输入长度过长的优化，实际上是一个比较复杂的问题，可以参考以下官方文档：
Context Window的概念：https://python.langchain.com/docs/concepts/chat_models/#context-window
Memory的概念：https://langchain-ai.github.io/langgraph/concepts/memory/
trim_message的详细用法：https://python.langchain.com/docs/how_to/trim_messages/
trim_message在chatbot中的应用案例：https://python.langchain.com/docs/tutorials/chatbot/#managing-conversation-history
总结一下，用户能输入的字符长度实际上是大模型能“记住”的文本长度，如果过长，就会达到"Context Window"的极限，大模型要么删除一部分文本继续处理，要么直接抛出异常，前者会导致处理数据结果不准确，后者则会导致应用程序直接报错。
可以使用trim_message方法解决该问题，它有各种策略截取过长的输入文本，甚至可以自定义策略。比如以下使用方式：

1. from langchain_core.messages import trim_messages
3. trimmer = trim_messages(
4.     max_tokens=300,
5.     strategy="last",
6.     token_counter=model,
7.     include_system=True,
8.     allow_partial=False,
9.     start_on="human",
10. )

复制代码

该案例中制定的策略是只允许输入最大300个字符，超出的字符从尾部向前查找删除，而且不允许对消息部分删除（保留问题完整性）。
完整代码如下所示：

1. from langchain.chat_models import init_chat_model
2. import gradio as gr
3. from langchain_core.messages import HumanMessage, AIMessage, trim_messages
5. model = init_chat_model("gpt-4o", model_provider="openai")
7. trimmer = trim_messages(
8.     max_tokens=300,
9.     strategy="last",
10.     token_counter=model,
11.     include_system=True,
12.     allow_partial=False,
13.     start_on="human",
14. )
17. def response(message, history):
18.     h = [HumanMessage(i["content"]) if i["role"] == 'user' else AIMessage(i["content"]) for i in history]
19.     h.append(HumanMessage(message))
20.     result = trimmer.invoke(h)
21.     //查看trim结果
22.     print(result)
23.     resp = ""
24.     for chunk in model.stream(result):
25.         resp = resp + chunk.content
26.         yield resp
29. demo = gr.ChatInterface(
30.     fn=response,
31.     type="messages",
32.     flagging_mode="manual",
33.     flagging_options=["Like", "Spam", "Inappropriate", "Other"],
34.     save_history=True,
35. )
37. if __name__ == '__main__':
38.     demo.launch()

复制代码

运行结果如下：

后台打印的被优化的消息：

1. [HumanMessage(content='你好，我的名字叫kdyzm', additional_kwargs={}, response_metadata={})]
2. [HumanMessage(content='你好，我的名字叫kdyzm', additional_kwargs={}, response_metadata={}), AIMessage(content='你好，kdyzm！很高兴认识你。有什么我可以帮忙的吗？', additional_kwargs={}, response_metadata={}), HumanMessage(content='帮我写一段python版本的快速排序算法，并分析', additional_kwargs={}, response_metadata={})]
3. [HumanMessage(content='我是谁？', additional_kwargs={}, response_metadata={})]

复制代码

可以看到，第三次询问的时候，之前的消息就被删除，不再发送给大模型，这导致大模型忘记了我之前告诉它的我的名字。

最后，欢迎关注我的博客呀：一枝梅的博客

END.

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！