大模型工程师学习日记（五）：基于LangServe的AI服务架构深度解析

1.概述

LangServe 🦜️🏓 帮助开发者将 LangChain 可运行和链部署为 REST API。

该库集成了 FastAPI 并使用 pydantic 进行数据验证。

Pydantic 是一个在 Python中用于数据验证和解析的第三方库，现在是Python中使用广泛的数据验证库。

它利用声明式的方式定义数据模型和Python 类型提示的强大功能来执行数据验证和序列化，使您的代码更可靠、更可读、更简洁且更易于调试。。它还可以从模型生成 JSON 架构，提供了自动生成文档等功能，从而轻松与其他工具集成

此外，它提供了一个客户端，可用于调用部署在服务器上的可运行对象。JavaScript 客户端可在 LangChain.js 中找到。

2.特性 从 LangChain 对象自动推断输入和输出模式，并在每次 API 调用中执行，提供丰富的错误信息带有 JSONSchema 和 Swagger 的 API 文档页面（插入示例链接）高效的 /invoke、/batch 和 /stream 端点，支持单个服务器上的多个并发请求/stream_log 端点，用于流式传输链/代理的所有（或部分）中间步骤新功能 自 0.0.40 版本起，支持 /stream_events，使流式传输更加简便，无需解析 /stream_log 的输出。使用经过严格测试的开源 Python 库构建，如 FastAPI、Pydantic、uvloop 和 asyncio。使用客户端 SDK 调用 LangServe 服务器，就像本地运行可运行对象一样（或直接调用 HTTP API） 3.限制 目前不支持服务器发起的事件的客户端回调当使用 Pydantic V2 时，将不会生成 OpenAPI 文档。FastAPI 支持混合使用 pydantic v1 和 v2 命名空间。更多细节请参见下面的章节。 4.安装

对于客户端和服务器：

pip install --upgrade "langserve[all]"

或者对于客户端代码，pip install "langserve[client]"，对于服务器代码，pip install "langserve[server]"。

5.LangChain CLI 🛠️

使用 LangChain CLI 快速启动 LangServe 项目。

要使用 langchain CLI，请确保已安装最新版本的 langchain-cli。您可以使用 pip install -U langchain-cli 进行安装。

5.1设置

注意：我们使用 poetry 进行依赖管理。请参阅 poetry 文档 了解更多信息。

5.1.2 使用 langchain cli 命令创建新应用 langchain app new my-app 5.1.3. 在 add_routes 中定义可运行对象。转到 server.py 并编辑 add_routes(app. NotImplemented) 5.1.4. 使用 poetry 添加第三方包（例如 langchain-openai、langchain-anthropic、langchain-mistral 等） #安装pipx，参考： pipx.pypa.io/stable/installation/ pip install pipx #加入到环境变量，需要重启PyCharm pipx ensurepath # 安装poetry，参考： python-poetry.org/docs/ pipx install poetry #安装 langchain-openai 库，例如：poetry add [package-name] poetry add langchain poetry add langchain-openai 5.1.5. 设置相关环境变量。例如， export OPENAI_API_KEY="sk-..."

5.1.6. 启动您的应用 poetry run langchain serve --port=8000 6.示例应用 6.1服务器

以下是一个部署 OpenAI 聊天模型，讲述有关特定主题笑话的链的服务器。

#!/usr/bin/env python from fastapi import FastAPI from langchain_openai import ChatOpenAI from langserve import add_routes app = FastAPI( title="LangChain 服务器", version="1.0", description="使用 Langchain 的 Runnable 接口的简单 API 服务器", ) add_routes( app, ChatOpenAI(model="gpt-4"), path="/openai", ) if __name__ == "__main__": import uvicorn uvicorn.run(app, host="localhost", port=8000)

如果您打算从浏览器调用您的端点，您还需要设置 CORS 头。

您可以使用 FastAPI 的内置中间件来实现：

from fastapi.middleware.cors import CORSMiddleware # 设置所有启用 CORS 的来源 app.add_middleware( CORSMiddleware, allow_origins=["*"], allow_credentials=True, allow_methods=["*"], allow_headers=["*"], expose_headers=["*"], ) 7.文档

如果您已部署上述服务器，可以使用以下命令查看生成的 OpenAPI 文档：

文档地址：http://localhost:8000/docs

curl localhost:8000/docs

请确保添加 /docs 后缀。

⚠️ 首页 / 没有被设计定义，因此 curl localhost:8000 或访问该 URL

将返回 404。如果您想在 / 上有内容，请定义一个端点 @app.get("/")。

8.客户端

Python SDK

from langchain.schema.runnable import RunnableMap from langchain_core.prompts import ChatPromptTemplate from langserve import RemoteRunnable openai = RemoteRunnable("http://localhost:8000/openai/") prompt = ChatPromptTemplate.from_messages( [("system", "你是一个喜欢写故事的助手"), ("system", "写一个故事，主题是： {topic}")] ) # 可以定义自定义链 chain = prompt | RunnableMap({ "openai": openai }) response = chain.batch([{"topic": "猫"}]) print(response) #[{'openai': AIMessage(content='从前，有一个叫做肖恩的男孩，他在一个宁静的乡村里生活。一天，他在家的后院发现了一个小小的，萌萌的猫咪。这只猫咪有一双大大的蓝色眼睛，毛色如同朝霞般的粉色，看起来非常可爱。\n\n肖恩把这只猫咪带回了家，他给她取名为“樱花”，因为她的毛色让他联想到春天盛开的樱花。肖恩非常喜欢樱花，他用心照顾她，每天都会为她准备新鲜的食物和清水，还会陪她玩耍，带她去散步。\n\n樱花也非常喜欢肖恩，她会在肖恩读书的时候躺在他的脚边，会在他伤心的时候安慰他，每当肖恩回家的时候，她总是第一个跑出来迎接他。可是，樱花有一个秘密，她其实是一只会说人话的猫。\n\n这个秘密是在一个月圆的夜晚被肖恩发现的。那天晚上，肖恩做了一个噩梦，他从梦中惊醒，发现樱花正坐在他的床边，用人的语言安慰他。肖恩一开始以为自己在做梦，但是当他清醒过来，樱花还在继续讲话，他才知道这是真的。\n\n樱花向肖恩解释，她是一只来自神秘的猫咪国度的使者，她的任务是保护和帮助那些善良和爱护动物的人。肖恩因为对她的善良和照顾，使她决定向他展现真实的自我。\n\n肖恩虽然感到惊讶，但他并没有因此而害怕或者排斥樱花。他觉得这只使得他更加喜欢樱花，觉得这是他们之间的特殊纽带。\n\n从那天开始，肖恩和樱花的关系变得更加亲密，他们像最好的朋友一样，分享彼此的秘密，一起度过快乐的时光。樱花也用她的智慧和力量，帮助肖恩解决了许多困扰他的问题。\n\n许多年过去了，肖恩长大了，他离开了乡村，去了城市上大学。但是，无论他走到哪里，都会带着樱花。他们的友情和互相的陪伴，让他们无论在哪里，都能感到家的温暖。\n\n最后，肖恩成为了一名作家，他写下了自己和樱花的故事，这个故事被人们广为传播，让更多的人知道了这个关于善良、友情和勇气的故事。而樱花，也永远陪伴在肖恩的身边，成为他生活中不可或缺的一部分。\n\n这就是肖恩和樱花的故事，一个关于男孩和他的猫的故事，充满了奇迹、温暖和爱。', response_metadata={'token_usage': {'completion_tokens': 1050, 'prompt_tokens': 33, 'total_tokens': 1083}, 'model_name': 'gpt-4-0613', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-c44f1624-ea75-424b-ba3d-e741baf44bda-0', usage_metadata={'input_tokens': 33, 'output_tokens': 1050, 'total_tokens': 1083})}]

在 TypeScript 中（需要 LangChain.js 版本 0.0.166 或更高）：

import { RemoteRunnable } from "@langchain/core/runnables/remote"; const chain = new RemoteRunnable({ url: `http://localhost:8000/openai/`, }); const result = await chain.invoke({ topic: "cats", });

使用 requests 的 Python 代码：

import requests response = requests.post( "http://localhost:8000/openai", json={'input': {'topic': 'cats'}} ) response.json()

 您也可以使用 curl：

curl --location --request POST 'http://localhost:8000/openai/stream' \ --header 'Content-Type: application/json' \ --data-raw '{ "input": { "topic": "狗" } }' 9.端点

以下代码：

... add_routes( app, runnable, path="/my_runnable", )

将以下端点添加到服务器：

POST /my_runnable/invoke - 对单个输入调用可运行项POST /my_runnable/batch - 对一批输入调用可运行项POST /my_runnable/stream - 对单个输入调用并流式传输输出POST /my_runnable/stream_log - 对单个输入调用并流式传输输出，

包括生成的中间步骤的输出

POST /my_runnable/astream_events - 对单个输入调用并在生成时流式传输事件，

包括来自中间步骤的事件。

GET /my_runnable/input_schema - 可运行项的输入的 JSON 模式GET /my_runnable/output_schema - 可运行项的输出的 JSON 模式GET /my_runnable/config_schema - 可运行项的配置的 JSON 模式

这些端点与LangChain 表达式语言接口相匹配 --