【AI大模型应用开发】【LangChain系列】7. LangServe：轻松将你的LangChain程序部署成服务

大家好，我是【同学小张】。持续学习，持续干货输出，关注我，跟我一起学AI大模型技能。

LangServe 用于将 Chain 或者 Runnable 部署成一个 REST API 服务。

0. 安装

• 同时安装langserve的服务端和客户端。

pip install "langserve[all]"

• 只安装客户端

pip install "langserve[client]"

• 只安装服务端

pip install "langserve[server]"

1. 代码及运行结果

1.1 服务端代码

import os
# 加载 .env 到环境变量from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())#!/usr/bin/env pythonfrom fastapi import FastAPI
from langchain.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langserve import add_routes
import uvicorn

app = FastAPI(
  title="LangChain Server",
  version="1.0",
  description="A simple api server using Langchain's Runnable interfaces",)

prompt_template ="""
我的名字叫【{name}】，我的个人介绍是【{description}】。
请根据我的名字和介绍，帮我想一段有吸引力的自我介绍的句子，以此来吸引读者关注和点赞我的账号。
"""

model = ChatOpenAI()
prompt = ChatPromptTemplate.from_template(prompt_template)
add_routes(
    app,
    prompt | model,
    path="/self_introduction",)if __name__ =="__main__":
    uvicorn.run(app, host="localhost", port=9999)

从代码来看创建LangServe的重点：
（1）创建一个FastAPI实例：app
（2）

add_routes

函数直接将

app, chain, path

加进去

• path：访问路径（接口） （3）通过 uvicorn.run 跑起来

注意上面的访问路径为

/self_introduction

，端口为9999，客户端要与之对应。

运行之后：

补充知识：Uvicorn是什么？

• 基于 uvloop 和 httptools 构建的非常快速的 ASGI 服务器
• 它不是一个 Web 框架，而是一个服务器，这是 FastAPI 框架提供的东西
• 它是 FastAPI 的推荐使用的服务器

1.2 客户端代码

import requests

response = requests.post("http://localhost:9999/self_introduction/invoke",
    json={'input':{'name':'同学小张','description':'热爱AI，持续学习，持续干货输出'}})print(response.json())

就是发送一个post请求，注意url路径和端口号与serve端对应。url路径除了接口后面还加一个

invoke

，别漏了。

运行之后（请确保你的服务代码先运行起来）：

大功告成。

本文比较简单，通过一个例子带大家看了下LangServe的使用方法。它其实就是将LangChain程序制作成了一个 FastAPI 服务，方便部署和发布。重点在

add_routes

函数。

如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~

• 大家好，我是同学小张
• 欢迎 点赞 + 关注 👏，促使我持续学习，持续干货输出。
• +v: jasper_8017 一起交流💬，一起进步💪。
• 微信公众号也可搜【同学小张】 🙏
• 踩坑不易，感谢关注和围观

本站文章一览：