我们演示如何结合 LangChain 和 Google 的 Gemini LLM 来总结互联网上的博客文章和文章。
译自 Tutorial: Using LangChain and Gemini to Summarize Articles，作者 Janakiram MSV。
在本教程中，我们将了解如何结合使用 LangChain（一个用于在应用程序中使用大型语言模型 (LLM) 的编程框架）和 Google 的 Gemini LLM 来总结互联网上的博客文章或文章。
在继续本教程之前，请确保你已从 Google AI Studio 获取了 API 密钥。
此应用程序旨在总结基于网络的文章，提供其内容的简洁概述。这对于快速了解长篇文章的要点非常有用，而无需阅读全文。
创建一个 Python 虚拟环境，并从 requirements.txt 文件中安装所需的模块。
python -m venv venv
source venv/bin/activate使用以下内容创建 requirements.txt 文件：
google.generativeai
langchain-google-genai
langchain
langchain_community
jupyter
pip install -r requirements.txt设置一个环境变量，以便从代码中隐式访问 API 密钥。
export GOOGLE_API_KEY="YOUR_GOOGLE_API_KEY"
启动 Jupyter Notebook 并开始编写代码。
首先导入必要的 Python 模块。这些导入包括来自 LangChain 和 Google Generative AI 的类和函数，它们对于构建我们的应用程序至关重要。在继续之前，请确保在 Python 环境中安装了这些库。
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_google_genai import GoogleGenerativeAIEmbeddings
from langchain_community.document_loaders import WebBaseLoader
from langchain.prompts import PromptTemplate
from langchain.chains import StuffDocumentsChain
from langchain.chains.llm import LLMChain
从基于网络的文章中加载内容。下面代码段中提供的 URL 只是一个示例；你可以随意将其替换为要总结的任何文章 URL。获取内容并将其存储起来以供进一步处理。
loader = WebBaseLoader("https://thenewstack.io/the-building-blocks-of-llms-vectors-tokens-and-embeddings/")
docs = loader.load()
在此关键步骤中，我们将定义摘要模板并配置 LangChain 模型以生成摘要。该模板指导模型如何构建其输出，重点是创建输入文本的简洁摘要。
template = "Write a concise summary of the following:\n\"{text}\"\nCONCISE SUMMARY:"
prompt = PromptTemplate.from_template(template)
llm_chain = LLMChain(llm=llm, prompt=prompt)
stuff_chain = StuffDocumentsChain(llm_chain=llm_chain, document_variable_name="text"最后一步是调用链，它触发对已加载文档的摘要处理。输出是模型尝试总结文章，为你提供其内容的浓缩版本。
response=stuff_chain.invoke(docs)
print(response["output_text"])问题解答 (Q&A) 用例（如前一个教程中所示）和摘要用例（如上所述）利用了 LangChain 和 Gemini 的强大功能，但服务于不同的目的并采用不同的方法。
问答应用程序专注于从给定文本（例如 PDF 文档）中提取特定答案，要求系统理解上下文并检索准确的信息以回答查询。此过程涉及加载和将文档拆分为可管理的块，将这些块转换为嵌入，并使用检索机制查找最相关的文本部分来回答提出的问题。
另一方面，摘要用例旨在将基于网络的长篇文章浓缩成简洁的摘要。此应用程序强调理解文章的总体主题和要点，需要一个摘要链来指导模型生成内容的简要概述。与问答用例不同，摘要涉及直接加载网络内容、应用摘要模板并生成文章的浓缩版本——突出其核心信息，而无需深入了解具体内容。
这两个应用程序展示了 LangChain 在处理自然语言处理任务方面的多功能性，但它们各自满足不同的需求。一个专注于在文档中精确定位特定信息，而另一个旨在提供冗长文章的快速、易于消化的摘要。
您可以在下面找到摘要的完整代码：
### Install required modules and set the envvar for Gemini API Key
#pip install google.generativeai
#pip install langchain-google-genai
#pip install langchain
#pip install langchain_community
#pip install jupyter
#export GOOGLE_API_KEY="YOUR_GOOGLE_API_KEY"
#Import Modules
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_google_genai import GoogleGenerativeAIEmbeddings
from langchain_community.document_loaders import WebBaseLoader
from langchain.chains import StuffDocumentsChain
from langchain.chains.llm import LLMChain
from langchain.prompts import PromptTemplate
#Initialize Model
llm = ChatGoogleGenerativeAI(model="gemini-pro")
#Load the blog
loader = WebBaseLoader("https://thenewstack.io/the-building-blocks-of-llms-vectors-tokens-and-embeddings/")
docs = loader.load()
#Define the Summarize Chain
template = """Write a concise summary of the following:
"{text}"
CONCISE SUMMARY:"""
prompt = PromptTemplate.from_template(template)
llm_chain = LLMChain(llm=llm, prompt=prompt)
stuff_chain = StuffDocumentsChain(llm_chain=llm_chain, document_variable_name="text")
#Invoke Chain
response=stuff_chain.invoke(docs)
print(response["output_text"])