前言：
大模型落地有四种主流方法，LangChain排第二没人拍第一，前提是对于个人开发者而言哈！
LangChain的定义
简单科普较为官方的对于LangChain的定义：
LangChain是一种创新框架，LangChain是一个开发由语言模型驱动的应用程序的框架，通过引入先进的原理重新定义传统API所能实现的限制。它是一个封装了大量大语言模型(LLM)应用开发逻辑和工具集成的开源Python库，提供了标准的模块化组件，集成了不同的大语言模型并将其进行整合，将它们连接到各种外部数据源和API。
看上面的关键词，LLM、开源、Python库。有了这几个关键词大概就知道个人开发者开源搞事情了吧！！！
它有什么用
具体来说，LangChain的大型语言模型可以直接与OpenAI的text-davinci-003、gpt-3.5-turbo模型以及Hugging Face的各种开源语言模型如Google的flan-t5等模型集成。通过使用LangChain可以开发出更为强大和高效的LLM的各种应用，甚至可以实现一个神奇的功能：让一个不会编程的小白借助LangChain和ChatGPT成为一个优秀的数据分析师和预测专家。只要借助LangChain集成OpenAI的语言模型如“text-davinci-003”，然后创建一个代理(agent)，最后通过语言指令一步一步让agent完成数据的统计分析以及时间序列的预测，整个过程无需编写Python代码。
说人话：
LangChain是一个开源框架，可以让AI开发人员把像GPT-4这样的大型语言模型（LLM）和外部数据结合起来。
比如，他可以让你的LLM在回答问题时，参考整个数据库。你现在让你的模型访问最新的数据，比如报告、文档和网站信息！
总结、提炼、知识问答、AI代理！这就是LangChain做的事！
可实现的应用：
个人AI邮件助手
AI学习伙伴（教材/论文精读）
AI数据分析
定制公司客服聊天机器人
社交媒体内容创作助手
实战目标
围绕落地一个LangChain应用为目标，记录一个为期8天的实战讲义！带大家0基础入门
本期讲义目标：
0基础实战langchain系列讲义【1】Hello LangChain
1 OpenAI
在介绍LangChain的时候，不得不介绍OpenAI
OpenAI 是LLM生态的模型层最大的玩家！大家目前熟知的 GPT-3.5、GPT-4 等模型都是他的产品。
它的API允许开发人员通过简单的API调用来访问这些模型，Langchain 作为一个开源框架，提供与OpenAI等语言模型的接口，简化了在应用程序中集成和利用语言模型能力的过程。
本篇的第一个任务：完成第一个Langchain 应用！就要使用OpenAI KEY来做，没有注册的小朋友，先去官网注册；
https://platform.openai.com/account/api-keys
2安装Langchain
安装非常的简单，只需要在开发环境中运行以下代码即可安装：
pip install langchain==0.0.235 openai
在开发环境选择上，建议从云上（Google Colab）或者本地（Visual Studio Code）这两种方式二选一运行即可，两种方式均可使用“Jupyter”插件安装部署，本次教程都是在云端运行的。篇幅原因，这两种环境注册过程不展开了，不懂的话，私聊进群！
2.1 Google Colab云端运行
我们的整个教程将使用 Google Colab 在云端运行 Python 代码。因为方便！Google Colab（全称Google Colaboratory）是一个由Google提供的云端开发环境，用于数据分析、机器学习和深度学习任务。它基于Jupyter Notebook，提供了一个免费的、云端的Python编程环境，用户可以直接在浏览器中编写和执行Python代码。魔法之后访问他的官网，登录/注册之后就可以运行代码啦！
Google Colab官网：https://colab.research.google.com/
点击三角形的运行按钮，他会自动下载到云端；
2.2 Visual Studio Code本地运行
如果你没办法使用云端运行，那你也可以下载Visual Studio Code，安装使用“Jupyter”插件来运行的，其他本地环境也一样适用！
3 Hello Langchain 应用安排
3.1 总体运行说明
我们把langchain框架下载之后，就可以结合OpenAI KEY完成今天的任务了，仅需要7行代码，同样的，点击三角形的运行按钮，就完成了任务；
from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage
import os
os.environ['OPENAI_API_KEY'] = '您的有效OpenAI API Key'
chat = ChatOpenAI(temperature=0)
response = chat([ HumanMessage(content="Hello Langchain!") ])
print(response)
运行之后，正常的话，他应该会返回这样的结果：
content='Hello! How can I assist you today?' additional_kwargs={} example=False
3.2 代码分析
就几行代码，就把应用搭建好了？简单分析一波吧！
1）以下代码将OpenAI的API Key设置在环境变量中。默认情况下，Langchain会从环境变量 OPENAI_API_KEY 中读取API Key。
建议利用.env文件和python-dotenv包来管理API Key
import os
os.environ[‘OPENAI_API_KEY’] = ‘您的有效OpenAI API Key’
2）以下代码导入了 ChatOpenAI 类，该类封装了OpenAI的聊天模型。ChatOpenAI 类的初始化参数 temperature 用于控制模型的生成文本的多样性。temperature 越大，生成的文本越多样，但也越不可控。temperature 越小，生成的文本越单一，但也越可控。temperature 的取值范围为 0 到 1，默认值为 0.5，这个你可以看着调整。初始化参数 model_name 用于指定使用的模型，默认值为 gpt-3.5-turbo。
chat = ChatOpenAI(temperature=0, model_name=“gpt-3.5-turbo”)
3）以下代码完成与OpenAI GPT模型的第一次对话，并打印出响应
response = chat([ HumanMessage(content=“Hello Langchain!”) ])print(response)
4）收到返回以下内容，就成功了
content=‘Hello! How can I assist you today?’ additional_kwargs={} example=False
打完收工！