EP-7 AI 技術應用：新手小白要開發 AI 工具，需要學什麼？什麼又是 LangChain ？

Mr. Raven

Jan 10, 2025

為了精進自己的技術，本週開始盤點 AI 技術應用可以使用的工具，首先介紹 LangChain，以及基本 API 連結方式。把基本都學會了，要掌握其他技能也會相對簡單。

最近在業餘時間製作武俠小說生成器，遇到了瓶頸，生成的資料不盡人意。

另外，我的辦公室在新年度的 AI 專案，必須有更好的產出（去年是做資訊機房 SOP 問答系統），但是我實在想不出可以再做什麼了。

考量到是我自己的技術不夠，所以我買了一本書，柯克、陳葵懋、 Ryan Chung ，《 LangChain 奇幻旅程》，打算仔細研讀，確保自己沒有落下什麼細節，也可以激發一些想法。

如果你跟我一樣，正在思考如何自己開發系統，使用大型語言模型做更進一步的應用，而不是單純使用網頁版的聊天系統。在接下來這幾週，我會盤點 LangChain 相關技術，你也可以跟著我一起思考有什麼樣的工具可以應用。

什麼是 LangChain

製作大型語言模型的相關應用，一定要認識 LangChain 。

LangChain 是一個開源框架，用來開發語言模型的相關應用程式。你可以把 LangChain 想像成一個工具箱，程式設計師利用這個工具箱，就可以輕鬆地將 ChatGPT 等大型語言模型，連結外部資料、 API 或者各種服務。

如果要學習 LangChain ，必須先學會使用 Python 程式語言。 Python 是非常容易上手的程式語言，如果還不會的話，建議可以每天花 2 小時，一週內快速學完基礎技巧（學完基礎就夠了）。再回頭來學習 LangChain 的開發。

先從連結 API 開始

我們一般使用 ChatGPT 等大型語言模型的方式，是直接到網頁上，上頭有個聊天對話框，你問它答。

可是有時候我們希望把語言模型回傳的文字，做進一步的應用，例如產出制式化的報表，或者請它處理 Excel 檔案，再轉成我們需要的格式等等。

此時就會需要直接連結語言模型的 API 。

API 的中文翻譯是應用程式介面，反正你只要記得，人類使用語言模型等資訊系統，要透過網頁介面，程式要使用其他的資訊系統，則一律透過 API 。例如你手頭上的天氣 App ，就是連結氣象署的資訊系統 API ，取得天氣資訊。

那麼我們要如何取得大型語言模型的 API 呢？

以 OpenAI 的語言模型為例，直接到網頁：https://platform.openai.com/

登入後，選擇左側的 API Keys → Create new secret key ，就可以建立 API Key 。

對了，你應該要先存你的信用卡資料，但是我有一點忘記怎麼操作，這裡如果卡住了，網頁應該會指示你。

注意這裡的 API Key 只會顯示一次，所以複製起來後，先找個地方貼上。切記 API Key 不要外洩就是了。

接著建一個資料夾，然後在裡面建一個 .env 的檔案，在裡面輸入底下文字，你剛剛複製的 API Key 要替換這裡的 Your_API_Key 。

OPENAI_API_KEY=Your_API_Key

接著有個重要的觀念，通常我們在開發專案時，都會做版本控制，有些人會把資料上傳到 GitHub 雲端上，我們不會希望上傳時，也把我們的 API Key 上傳給大家看。所以最好在同一個目錄，加上 .gitignore 檔案。然後裡面輸入，

.env
.env.local
.env.*

.env 忽略主要的環境設定檔
.env.local 忽略本地端特定的環境設定
.env.* 忽略所有 .env 開頭的檔案

再來請你打開程式編輯器（推薦你使用 WindSurf 等 AI 驅動編輯器），輸入以下文字。

"""
使用 LangChain 框架與 OpenAI API 進行文字翻譯。

使用的主要套件：
- os: 用於存取作業系統功能和環境變數
- dotenv: 用於載入 .env 檔案中的環境變數
- langchain_openai: 提供與 OpenAI API 整合的功能
"""

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

# 載入 .env 檔案中的環境變數（如 API 金鑰）
load_dotenv()

# 從環境變數中取得 OpenAI API 金鑰
# 如果找不到金鑰，則拋出 ValueError 異常
openai_api_key = os.getenv("OPENAI_API_KEY")
if not openai_api_key:
    raise ValueError("找不到 OPENAI_API_KEY 環境變數")

# 設定 AI 模型的參數
# 參數說明：
# - api_key: OpenAI API 金鑰
# - model_name: 這裡使用 GPT-3.5-turbo ，比較便宜
# - temperature: 控制回應的創造性，範圍 0-1
#   - 0：非常保守、精確
#   - 1：更有創意，但是有時很腦殘
#   - 0.7：稍微比較平衡
llm = ChatOpenAI(
    api_key=openai_api_key,
    model_name="gpt-3.5-turbo",
    temperature=0.7,
)

# 直接使用 invoke 方法發送訊息
# 訊息格式為字典列表，每個字典包含角色（role）和內容（content）
response = llm.invoke([
    {"role": "system", "content": "你是一個翻譯助手，請將文字翻譯成日文。"},
    {"role": "user", "content": "你好，我來自台灣"}
])

# 輸出 AI 模型的回應內容
print(response.content)

理論上，上述的程式應該會輸出 こんにちは、私は台湾から来ました。

下週預告

這就是 LangChain 最基本的應用，我把《 LangChain 奇幻旅程》的書稍微快速瀏覽了一下，所有的應用都是上述程式的各種變化。

在這支程式中，直接使用 invoke() 發送提示詞當然不是常規作法，更聰明的方法是用 PromptTemplate ，也會使用 Chain 來規劃工作流。

在下週會更進一步地說明這些工具的應用方式，不過我也不會講得像是這次這麼簡單，畢竟這也是我個人的學習，不是單純的新手教學。

Decode AI 週報

Discussion about this post