各种chain的介绍

• 串联式编排调用链:SequentialChain
  • 流水线 胶水代码逻辑处理
  • 具备编排逻辑 串行 one by one的调用
  • 上一个chain的输出 作为 下一个chain的输入
• 超长文本的转换 Transform Chain
  • pdf文件处理
  • 提供了套壳的能力 将python处理字符串的能力 套用进来 完成数据的格式化处理
• 实现条件判断的路由链:RouterChain
  • 复杂逻辑 条件判断
  • 组合routerchain 目标链 通过条件判断 选择对应的目标链进行调用

Sequential Chain

串联式调用语言模型（将一个调用的输出作为另一个调用的输入）。

顺序链（Sequential Chain ）允许用户连接多个链并将它们组合成执行特定场景的流水线（Pipeline）。有两种类型的顺序链：

• SimpleSequentialChain：最简单形式的顺序链，每个步骤都具有单一输入/输出，并且一个步骤的输出是下一个步骤的输入。
• SequentialChain：更通用形式的顺序链，允许多个输入/输出。

示例- 使用 SimpleSequentialChain 实现戏剧摘要和评论（单输入/单输出

chain1 定义 synopsis_chain

这是一个 LLMChain，用于根据剧目的标题撰写简介

# 这是一个 LLMChain，用于根据剧目的标题撰写简介。

llm = OpenAI(temperature=0.7, max_tokens=1000)

template = """你是一位剧作家。根据戏剧的标题，你的任务是为该标题写一个简介。

标题：{title}
剧作家：以下是对上述戏剧的简介："""

prompt_template = PromptTemplate(input_variables=["title"], template=template)
synopsis_chain = LLMChain(llm=llm, prompt=prompt_template)

chain2 定义review chain

这是一个LLMChain，用于根据剧情简介撰写一篇戏剧评论。

# 这是一个LLMChain，用于根据剧情简介撰写一篇戏剧评论。
# llm = OpenAI(temperature=0.7, max_tokens=1000)
template = """你是《纽约时报》的戏剧评论家。根据剧情简介，你的工作是为该剧撰写一篇评论。

剧情简介：
{synopsis}

以下是来自《纽约时报》戏剧评论家对上述剧目的评论："""

prompt_template = PromptTemplate(input_variables=["synopsis"], template=template)
review_chain = LLMChain(llm=llm, prompt=prompt_template)

SimpleSequentialChain 完整流程图

完整代码示例

import os
from langchain_openai import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

from langchain.chains import SimpleSequentialChain

api_key = 'sk-xxx'
os.environ["OPENAI_API_KEY"] = api_key

serp_api = 'xxx'
os.environ["SERPAPI_API_KEY"] = serp_api

llm = OpenAI(model_name="gpt-3.5-turbo-instruct", temperature=0.7, max_tokens=1000)


def get_synopsis_chain():
    # 这是一个 LLMChain，用于根据剧目的标题撰写简介。
    template = """你是一位剧作家。根据戏剧的标题，你的任务是为该标题写一个简介。
    标题：{title}
    剧作家：以下是对上述戏剧的简介："""

    prompt_template = PromptTemplate(input_variables=["title"], template=template)
    synopsis_chain = LLMChain(llm=llm, prompt=prompt_template)
    return synopsis_chain


def get_review_chain():
    # 这是一个LLMChain，用于根据剧情简介撰写一篇戏剧评论。
    # llm = OpenAI(temperature=0.7, max_tokens=1000)
    template = """你是《纽约时报》的戏剧评论家。根据剧情简介，你的工作是为该剧撰写一篇评论。
    剧情简介：
    {synopsis}
    以下是来自《纽约时报》戏剧评论家对上述剧目的评论："""
    prompt_template = PromptTemplate(input_variables=["synopsis"], template=template)
    review_chain = LLMChain(llm=llm, prompt=prompt_template)
    return review_chain


def main():
    # 这是一个SimpleSequentialChain，按顺序运行这两个链
    synopsis_chain = get_synopsis_chain()
    review_chain = get_review_chain()
    overall_chain = SimpleSequentialChain(chains=[synopsis_chain, review_chain], verbose=True)
    review = overall_chain.run("三体人不是无法战胜的")
    print(review)


if __name__ == "__main__":
    main()
   

输出内容

示例-使用 SequentialChain 实现戏剧摘要和评论（多输入/多输出)

import os
from langchain_openai import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

from langchain.chains import SequentialChain

api_key = 'sk-xx'
os.environ["OPENAI_API_KEY"] = api_key

serp_api = 'xxx'
os.environ["SERPAPI_API_KEY"] = serp_api

llm = OpenAI(model_name="gpt-3.5-turbo-instruct", temperature=0.7, max_tokens=1000)


def get_synopsis_chain():
    # # 这是一个 LLMChain，根据剧名和设定的时代来撰写剧情简介。
    template = """你是一位剧作家。根据戏剧的标题和设定的时代，你的任务是为该标题写一个简介。

    标题：{title}
    时代：{era}
    剧作家：以下是对上述戏剧的简介："""

    prompt_template = PromptTemplate(input_variables=["title", "era"], template=template)
    # output_key
    synopsis_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="synopsis", verbose=True)

    return synopsis_chain


def get_review_chain():
    # 这是一个LLMChain，用于根据剧情简介撰写一篇戏剧评论。

    template = """你是《纽约时报》的戏剧评论家。根据该剧的剧情简介，你需要撰写一篇关于该剧的评论。

    剧情简介：
    {synopsis}

    来自《纽约时报》戏剧评论家对上述剧目的评价："""

    prompt_template = PromptTemplate(input_variables=["synopsis"], template=template)
    review_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="review", verbose=True)
    return review_chain


def main():
    # 这是一个SimpleSequentialChain，按顺序运行这两个链
    synopsis_chain = get_synopsis_chain()
    review_chain = get_review_chain()

    m_overall_chain = SequentialChain(
        chains=[synopsis_chain, review_chain],
        input_variables=["era", "title"],
        # Here we return multiple variables
        output_variables=["synopsis", "review"],
        verbose=True)

    result = m_overall_chain({"title":"三体人不是无法战胜的", "era": "二十一世纪的新中国"})
    print(result)


if __name__ == "__main__":
    main()

输出结果