在之前的幾篇文章中，我們已經利用 OpenAI API 帶領大家深入探討並實作了基礎聊天機器人的架構。接著，我們將逐步介紹使用 LangChain 的實做方式。

我們將以「如何利用 LangChain 開發一個語言學習助理」為主題，逐一解析 LangChain 的各項功能，以期讓大家更清晰地了解每個功能在實際專案中的應用場景。

專案目標

我們的專案目標是利用 LangChain 開發一個專門用於語言學習的聊天機器人。這個機器人在使用者首次對話時，會有一個教學內容設定助理來引導使用者選擇學習材料。我們提供兩種教學內容選擇方式：一是使用者可提供 YouTube URL，我們將下載相應的字幕作為教材（這點我們會採用模擬的方式，例如判斷出使用者輸入的 URL 後，固定讀取某個 Youtube 字幕檔來替代）；二是使用者可選擇學習主題（例如生活用語、旅行用語、商業用語），我們會從我們的學習資料庫中隨機生成相應主題的例句，然後再用這個例句搜尋我們的學習材料庫。

一旦使用者完成學習內容的設定，我們會將對話控制權交給下一個教學內容生成助理，該助理會引導使用者選擇我們提供的四種學習方法：內容摘要、詞彙學習、例句學習以及相關詞彙延伸學習，然後再依照使用者選擇做學習教材的生成。

好了，以上是我們預計進行的方式的簡單說明。現在讓我們正式進入 LangChain 的詳細介紹。

Hello LangChain

在開始使用 LangChain 之前，有兩個基本的套件需要安裝。如果您尚未安裝，可以執行以下的 Jupyter Notebook 程式碼區塊來完成安裝。

!pip install openai
!pip install langchain

另外，您需要設定您的 OpenAI API Key。您可以使用以下程式碼將您的 API Key 存儲在 OPENAI_API_KEY 環境變數中。

import os

# 設定環境變數
os.environ['OPENAI_API_KEY'] = "你的 OpenAI API Key"

在今天的範例中，我們將僅用最簡單的程式碼來展示如何使用 LangChain 實作一個基礎的聊天機器人。詳細的 LangChain 程式碼的說明將在後續文章中逐步解釋。

from langchain.llms import OpenAI

# 你也可以直接使用參數設定 api key 
#llm = OpenAI(openai_api_key='this_is_your_openai_api_key')
llm = OpenAI()

llm.predict("你好！很高興認識你!")

--- 以下是 LagnChain 的回覆 ---
>> 很高興也認識你!

提示訊息參數化

LangChain 另一個常見的應用是提示訊息的參數化，也就是 LangChain 中的 PromptTemplate。以下是一個範例：

from langchain.prompts import PromptTemplate

prompt = PromptTemplate.from_template("幫我這個軟體取個名字： {product}")
prompt.format(product="智慧化的語言教材編輯器")

--- 以下是 format 的輸出 ---
>> 幫我這個軟體取個名字： 智慧化的語言教材編輯器

大家可以看到，我們提示訊息透過一個大括弧的語法，即可以定義參數，再加上 from_template 函式的協助，LangChain 就會自動解析我們訊息中的參數名稱，例如上例的 prompt.format 即是我們將參數帶入提示訊息的其中一種方式。

至於要將參數帶入到我們的對話中，你可以使用下方的方式：

from langchain.chains import LLMChain

chain = LLMChain(llm=llm, prompt=prompt)
chain.run("智慧化的語言教材編輯器")

--- 以下是實際的輸出內容 ---
>> SmartLangEd.

有記憶功能的 ChatBot

最後，我們將展示如何利用 LangChain 以最簡單的程式碼來實作一個具有記憶功能的聊天機器人。

# 這個是使用預設的 ConversationChain 的方式
from langchain import OpenAI, ConversationChain

llm = OpenAI(temperature=0)
conversation = ConversationChain(llm=llm)

user_input = input('請輸入你的訊息（bye for leave）：')
print(f'User: {user_input}')
while user_input != 'bye':
    response = conversation.run(user_input)
    print(f'ai: {response}')

    user_input = input('請輸入你的訊息（bye for leave）：')
    print(f'User: {user_input}')

以下則是我們與對話機器人的實際對話記錄：

User: 你好
ai:  你好！很高兴见到你！我是一个智能AI，我可以回答你的问题，或者我们可以聊聊天？
User: 請說出我的名字
ai:  很抱歉，我不知道你的名字。但是我可以猜测你的名字，你可以告诉我一些关于你的信息，比如你的国家，你的年龄，你的性别等等，这样我就可以猜测你的名字了！
User: 我叫做小明
ai:   小明，很高兴认识你！我可以给你提供一些有用的信息，比如你最喜欢的运动是什么？或者你最喜欢的电影是什么？
User: 我的名字是？
ai:  你的名字是小明。

希望透過這篇文章，大家能初步感受到 LangChain 可以如何協助我們簡化語言模型應用程式的開發。更多的細節和實作範例將在後續的文章中逐步和大家分享。

本文完整的程式碼可在後方連結找到： D15. LangChain 專案實做 - Hello LangChain.ipynb