langchain-js

1 - Introduction

Installation du package

bun add langchain @langchain/openai

Création d'un fichier .env

OPENAI_API_KEY=<your_key>
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=<your_key>

Dans le fichier index.ts, on instantie un nouveau model (ou llm)

const model = new ChatOpenAI()

On peut paramétrer le modèle en passant un objet contenant les paramètres modelName, temperature, maxTokens ou encore verbose.

const model = new ChatOpenAI({
  openAIApiKey: process.env.OPENAI_API_KEY,
  modelName: "gpt-3.5-turbo",
  verbose: true
})

Pour interagir avec le model, il suffit de l'appeler avec la méthode invoke à qui l'on passse un prompt en argument :

await model.invoke(prompt)

// Exemple:
const response = await model.invoke("Raconte moi une histoire drole")

Cette méthode retourne une promesse de type AIMessage, très complexe. Après résolution de la promessse, il est possible de lire réponse du llm au prompt depuis la propriété content.

AIMessage {
  lc_serializable: true,
  lc_kwargs: {
    content: "Il était une fois...",
    additional_kwargs: {
      function_call: undefined,
      tool_calls: undefined,
    },
    response_metadata: {},
  },
  lc_namespace: [ "langchain_core", "messages" ],
  content: "Il était une fois...",
  name: undefined,
  additional_kwargs: {
    function_call: undefined,
    tool_calls: undefined,
  },
  response_metadata: {
    tokenUsage: {
      completionTokens: 336,
      promptTokens: 15,
      totalTokens: 351,
    },
    finish_reason: "stop",
  },
  _getType: [Function: _getType],
  lc_aliases: [Getter],
  text: [Getter],
  toDict: [Function: toDict],
  toChunk: [Function: toChunk],
  lc_id: [Getter],
  lc_secrets: [Getter],
  lc_attributes: [Getter],
  toJSON: [Function: toJSON],
  toJSONNotImplemented: [Function: toJSONNotImplemented],
}