Text Generation với LangChain | MinAI Learning

Lý thuyết

2/13•35 phút

Đang tải...

Text Generation với LangChain

Tạo văn bản với LLMs và LangChain framework

🎯 Mục tiêu bài học

TB5 min

Trong bài này, chúng ta sẽ học cách sử dụng LangChain để tạo text với các LLMs như OpenAI, Claude, và local models.

Sau bài này, bạn sẽ:

✅ Sử dụng LangChain để tạo text với OpenAI và Claude models ✅ Thiết kế Prompt Templates hiệu quả cho text generation ✅ Xây dựng chains với LCEL pipe operator ✅ Implement streaming và structured output cho text generation

Task 0

🔍 LangChain là gì?

TB5 min

LangChain là framework để build LLM applications với các components:

Diagram

Đang vẽ diagram...

Các thành phần LangChain

Prompts: Template cho input
LLMs: Large Language Models
Chains: Kết nối nhiều components
Agents: LLMs với khả năng ra quyết định
Tools: Khả năng mở rộng bên ngoài

Checkpoint

Bạn đã hiểu các components chính của LangChain chưa?

Task 1

🛠️ Setup

TB5 min

Bash

1pip install langchain langchain-openai langchain-anthropic python-dotenv

python.py

1import os
2from dotenv import load_dotenv
3
4load_dotenv()
5
6# Set API keys
7os.environ["OPENAI_API_KEY"] = "your-api-key"
8os.environ["ANTHROPIC_API_KEY"] = "your-api-key"

Checkpoint

Bạn đã cài đặt và cấu hình LangChain thành công chưa?

Task 2

Tiếp: Tóm tắt văn bản

💻 Basic Text Generation

TB5 min

Các model OpenAI

python.py

1from langchain_openai import ChatOpenAI
2
3# Initialize model
4llm = ChatOpenAI(
5    model="gpt-4o-mini",
6    temperature=0.7,
7    max_tokens=1000
8)
9
10# Simple generation
11response = llm.invoke("Viết một đoạn văn ngắn về AI")
12print(response.content)

Các model Claude

python.py

1from langchain_anthropic import ChatAnthropic
2
3llm = ChatAnthropic(
4    model="claude-3-5-sonnet-20241022",
5    temperature=0.7
6)
7
8response = llm.invoke("Giải thích machine learning cho người mới")
9print(response.content)

Checkpoint

Bạn đã thử tạo text với cả OpenAI và Claude models chưa?

Task 3

📐 Prompt Templates

TB5 min

Template cơ bản

python.py

1from langchain_core.prompts import PromptTemplate
2
3# Create template
4template = PromptTemplate.from_template("""
5Bạn là một chuyên gia về {topic}.
6
7Hãy trả lời câu hỏi sau một cách chi tiết:
8{question}
9
10Trả lời:
11""")
12
13# Format template
14prompt = template.format(
15    topic="machine learning",
16    question="Deep Learning khác gì với ML truyền thống?"
17)
18
19# Generate
20response = llm.invoke(prompt)

Chat Prompt Template

python.py

1from langchain_core.prompts import ChatPromptTemplate
2
3template = ChatPromptTemplate.from_messages([
4    ("system", "Bạn là một trợ lý AI chuyên về {domain}. Trả lời bằng tiếng Việt."),
5    ("human", "{question}")
6])
7
8messages = template.format_messages(
9    domain="data science",
10    question="Làm sao để xử lý missing values?"
11)
12
13response = llm.invoke(messages)

Checkpoint

Bạn đã hiểu cách tạo và sử dụng Prompt Templates chưa?

Task 4

📐 LCEL (LangChain Expression Language)

TB5 min

Chain với Pipe Operator

python.py

1from langchain_core.output_parsers import StrOutputParser
2
3# Create chain với |
4chain = template | llm | StrOutputParser()
5
6# Run chain
7result = chain.invoke({
8    "domain": "Python programming",
9    "question": "List comprehension hoạt động thế nào?"
10})
11print(result)

Nhiều bước xử lý

python.py

1# Step 1: Generate ideas
2idea_template = ChatPromptTemplate.from_messages([
3    ("system", "Bạn là creative writer."),
4    ("human", "Đề xuất 3 ý tưởng cho bài blog về {topic}")
5])
6
7# Step 2: Expand idea
8expand_template = ChatPromptTemplate.from_messages([
9    ("system", "Bạn là content writer chuyên nghiệp."),
10    ("human", "Viết outline chi tiết cho ý tưởng sau:\n{idea}")
11])
12
13# Chain them
14idea_chain = idea_template | llm | StrOutputParser()
15expand_chain = expand_template | llm | StrOutputParser()
16
17# Run
18ideas = idea_chain.invoke({"topic": "AI trong giáo dục"})
19outline = expand_chain.invoke({"idea": ideas})

Checkpoint

Bạn đã hiểu cách sử dụng pipe operator để xây dựng chains trong LCEL chưa?

Task 5

📐 Structured Output

TB5 min

Pydantic Models

python.py

1from pydantic import BaseModel, Field
2from typing import List
3
4class BlogPost(BaseModel):
5    title: str = Field(description="Tiêu đề bài viết")
6    summary: str = Field(description="Tóm tắt ngắn")
7    sections: List[str] = Field(description="Các phần chính")
8    keywords: List[str] = Field(description="Từ khóa SEO")
9
10# Use structured output
11structured_llm = llm.with_structured_output(BlogPost)
12
13result = structured_llm.invoke(
14    "Tạo cấu trúc bài blog về Machine Learning cơ bản"
15)
16
17print(f"Title: {result.title}")
18print(f"Summary: {result.summary}")
19print(f"Sections: {result.sections}")

Kết quả JSON

python.py

1from langchain_core.output_parsers import JsonOutputParser
2
3parser = JsonOutputParser()
4
5template = ChatPromptTemplate.from_messages([
6    ("system", "Trả lời bằng JSON format với các field: title, content, tags"),
7    ("human", "{query}")
8])
9
10chain = template | llm | parser
11
12result = chain.invoke({"query": "Viết về Python basics"})
13# result is a dict

Checkpoint

Bạn đã hiểu cách sử dụng Pydantic và JSON parser cho structured output chưa?

Task 6

⚡ Streaming

TB5 min

Streaming cơ bản

python.py

1# Stream response
2for chunk in llm.stream("Viết một bài thơ về mùa xuân"):
3    print(chunk.content, end="", flush=True)

Streaming bất đồng bộ

python.py

1import asyncio
2
3async def stream_response():
4    async for chunk in llm.astream("Giải thích quantum computing"):
5        print(chunk.content, end="", flush=True)
6
7asyncio.run(stream_response())

Checkpoint

Bạn đã hiểu cách implement streaming cho text generation chưa?

Task 7

💻 Content Generation Use Cases

TB5 min

1. Tạo bài blog

python.py

1blog_template = ChatPromptTemplate.from_messages([
2    ("system", """Bạn là một content writer chuyên nghiệp.
3    Viết bài blog với format:
4    - Tiêu đề hấp dẫn
5    - Introduction hook
6    - 3-5 phần chính với headings
7    - Conclusion với call-to-action
8    Sử dụng tone thân thiện và dễ hiểu."""),
9    ("human", "Viết bài blog về: {topic}\nĐối tượng: {audience}\nĐộ dài: {length} từ")
10])
11
12blog_chain = blog_template | llm | StrOutputParser()
13
14blog = blog_chain.invoke({
15    "topic": "Cách học lập trình hiệu quả",
16    "audience": "người mới bắt đầu",
17    "length": "800"
18})

2. Viết email

python.py

1email_template = ChatPromptTemplate.from_messages([
2    ("system", """Bạn là chuyên gia viết email chuyên nghiệp.
3    Viết email với tone {tone}.
4    Format: Subject, Greeting, Body, Closing"""),
5    ("human", "Viết email {type} cho {recipient} về {topic}")
6])
7
8email_chain = email_template | llm | StrOutputParser()
9
10email = email_chain.invoke({
11    "tone": "formal",
12    "type": "request",
13    "recipient": "manager",
14    "topic": "xin nghỉ phép 3 ngày"
15})

3. Tài liệu code

python.py

1doc_template = ChatPromptTemplate.from_messages([
2    ("system", """Bạn là technical writer.
3    Tạo documentation cho code với:
4    - Mô tả function/class
5    - Parameters và return values
6    - Examples
7    - Notes nếu cần"""),
8    ("human", "Document code sau:\n```python\n{code}\n```")
9])
10
11code = """
12def calculate_metrics(y_true, y_pred, average='weighted'):
13    precision = precision_score(y_true, y_pred, average=average)
14    recall = recall_score(y_true, y_pred, average=average)
15    f1 = f1_score(y_true, y_pred, average=average)
16    return {'precision': precision, 'recall': recall, 'f1': f1}
17"""
18
19doc_chain = doc_template | llm | StrOutputParser()
20documentation = doc_chain.invoke({"code": code})

Checkpoint

Bạn đã thử build ít nhất một content generation use case chưa?

Task 8

🛠️ Error Handling

TB5 min

python.py

1from langchain_core.exceptions import OutputParserException
2
3def safe_generate(chain, input_data, retries=3):
4    for attempt in range(retries):
5        try:
6            return chain.invoke(input_data)
7        except OutputParserException as e:
8            print(f"Parse error (attempt {attempt + 1}): {e}")
9        except Exception as e:
10            print(f"Error (attempt {attempt + 1}): {e}")
11    
12    return None
13
14# Usage
15result = safe_generate(chain, {"topic": "AI"})

Checkpoint

Bạn đã hiểu cách xử lý lỗi trong text generation pipeline chưa?

Task 10

🎯 Mục tiêu bài học

Sau bài này, bạn sẽ:

🔍 LangChain là gì?

Checkpoint

🛠️ Setup

Checkpoint

💻 Basic Text Generation

Các model OpenAI

Các model Claude

Checkpoint

📐 Prompt Templates

Template cơ bản

Chat Prompt Template

Checkpoint

📐 LCEL (LangChain Expression Language)

Chain với Pipe Operator

Nhiều bước xử lý

Checkpoint

📐 Structured Output

Pydantic Models

Kết quả JSON

Checkpoint

⚡ Streaming

Streaming cơ bản

Streaming bất đồng bộ

Checkpoint

💻 Content Generation Use Cases

1. Tạo bài blog

2. Viết email

3. Tài liệu code

Checkpoint

📝 Best Practices

Checkpoint

🛠️ Error Handling

Checkpoint

🎯 Tổng kết

Câu hỏi tự kiểm tra

Tài liệu tham khảo

🚀 Bài tiếp theo