使用 LangChain 对接硅基流动（SiliconFlow）API：构建一个智能对话系统

在现代人工智能应用中，大语言模型（LLM）已经成为了智能对话、内容生成和信息处理的核心工具。LangChain 是一个框架，用于构建与 LLM 相关的应用程序，提供了很多模块化工具，帮助开发者轻松地集成、管理和部署 LLM。在本文中，我们将介绍如何使用 LangChain 框架将硅基流动（SiliconFlow）的 API 集成到应用中，实现一个基于 LLM 的对话系统。

什么是硅基流动（SiliconFlow）？

硅基流动是一种基于大语言模型（如深度学习模型）提供自然语言处理能力的 API 服务。它支持多种类型的模型，可以通过 REST API 接口与其进行交互，进行自然语言生成、问答、文本处理等任务。

LangChain 简介

LangChain 是一个用于创建与 LLM 相关应用的工具库，它提供了一些功能强大的模块，允许开发者更容易地将 LLM 集成到应用程序中。LangChain 支持任务链、记忆管理、外部 API 集成等特性，帮助开发者创建复杂的智能应用。

在 LangChain 中对接硅基流动

本文将通过以下步骤，向大家展示如何使用 LangChain 对接硅基流动 API，构建一个简单的对话系统。

步骤 1：安装必要的库

在开始之前，确保你已经安装了 langchain 和 requests 库。你可以使用以下命令来安装它们：

pip install langchain requests

步骤 2：设置 API 密钥

硅基流动提供了 API 服务，你需要在硅基流动平台上注册并获取 API 密钥。在代码中，我们会通过环境变量来传递该密钥。

export CUSTOM_API_KEY="your_api_key_here"

步骤 3：编写代码

下面是通过 LangChain 框架对接硅基流动的 Python 代码示例：

from langchain.llms.base import LLM
from langchain_community.llms.utils import enforce_stop_tokens
import requests
import os

# 设置API密钥和基础URL环境变量
API_KEY = os.getenv("CUSTOM_API_KEY", "sk-xxx")
BASE_URL = "https://api.siliconflow.cn/v1/chat/completions"

class SiliconFlow(LLM):
    def __init__(self):
        super().__init__()

    @property
    def _llm_type(self) -> str:
        return "siliconflow"

    def siliconflow_completions(self, model: str, prompt: str) -> str:
        payload = {
            "model": model,
            "messages": [{"role": "user", "content": prompt}],
            "stream": False
        }
        headers = {
            "accept": "application/json",
            "content-type": "application/json",
            "authorization": f"Bearer {API_KEY}"
        }

        response = requests.post(BASE_URL, json=payload, headers=headers)
        response.raise_for_status()
        return response.json()["choices"][0]["message"]["content"]

    def _call(self, prompt: str, stop: list = None, model: str = "default-model") -> str:
        response = self.siliconflow_completions(model=model, prompt=prompt)
        if stop is not None:
            response = enforce_stop_tokens(response, stop)
        return response

if __name__ == "__main__":
    llm = SiliconFlow()
    response = llm._call(prompt="你是谁？", model="deepseek-ai/DeepSeek-V2.5")
    print(response)

代码解析

1. 导入必要模块：

   • 我们首先导入了 LangChain 中的 LLM 基类和 enforce_stop_tokens 工具。
   • 使用 requests 库与硅基流动的 API 进行 HTTP 请求。
   • 使用 os 获取环境变量中的 API 密钥。

2. SiliconFlow 类：

   • 该类继承自 LLM，并实现了 _call 方法，用于处理对硅基流动 API 的调用。
   • siliconflow_completions 方法向硅基流动 API 发送请求并获取返回结果。它接受 model 和 prompt 参数，前者指定使用的模型（例如 deepseek-ai/DeepSeek-V2.5），后者是用户输入的提示信息。

3. API 请求：

   • 我们通过 requests.post 向硅基流动的 API 发送 POST 请求，携带用户输入的 prompt 和其他必要的请求头。
   • API 返回的是 JSON 格式的数据，我们提取其中的对话内容并返回给用户。

4. _call 方法：

   • 这是 LangChain 框架中用来发起请求的主要方法，它接收用户的 prompt，并将其传递给 siliconflow_completions 方法进行处理。
   • 如果传入 stop 参数，它会应用 enforce_stop_tokens 来控制响应的停止符。

步骤 4：运行代码

在终端中运行该 Python 脚本：

python siliconflow_langchain.py

你会看到输出的结果类似于：

你是谁？
我是一个基于硅基流动的 AI 模型，我可以帮助你处理各种任务。

如何扩展和改进

• 多轮对话：目前，代码只处理单轮对话。如果需要多轮对话，可以通过在每次请求时传递之前的对话记录来维持上下文。

  示例：

  context = [{"role": "user", "content": "你是谁？"}, {"role": "assistant", "content": "我是一个 AI 模型"}]
  response = llm._call(prompt="你能做什么？", model="deepseek-ai/DeepSeek-V2.5", context=context)
  

• 增强功能：你可以通过集成更多的外部数据源（如数据库、API、文件系统等）来增强应用的功能，支持更复杂的任务自动化和知识处理。

总结

通过 LangChain 框架集成硅基流动（SiliconFlow）API，可以构建功能强大的 LLM 应用。本文介绍了如何使用 LangChain 创建一个简单的对话系统，并通过硅基流动的 API 来处理自然语言任务。无论是单轮对话还是多轮对话，LangChain 都提供了灵活的工具来帮助开发者高效地构建与 LLM 相关的应用。

通过对接不同的 LLM 和外部服务，开发者可以轻松地创建各种类型的智能应用，推动 AI 技术在实际业务中的落地。

提示：更多内容可以访问Clang’s Blog：https://www.clang.asia