什么是Chain
在LangChain中，Chain是一种将多个组件相互链接，组合成一个链的机制。这种机制简化了复杂应用程序的实现，并使之更加模块化。Chain可以被视为LangChain中的一种基本功能单元，它将一系列的功能进行封装，同时也可以与其他链或组件组合串联。
LLMChain：最简单的链
LLMChain是LangChain中最基本的链，它整合了PromptTemplate、语言模型（LLM或聊天模型）和Output Parser，相当于把Model I/O放在一个链中整体操作。
使用LLMChain重构代码
不使用链的代码：
from langchain import PromptTemplate
template = "{flower}的花语是?"
prompt_temp = PromptTemplate.from_template(template)
prompt = prompt_temp.format(flower='玫瑰')
print(prompt)
from langchain import OpenAI
model = OpenAI(temperature=0)
result = model(prompt)
print(result)
使用LLMChain的代码：
from langchain import PromptTemplate, OpenAI, LLMChain
template = "{flower}的花语是?"
llm = OpenAI(temperature=0)
llm_chain = LLMChain(
llm=llm,
prompt=PromptTemplate.from_template(template))
result = llm_chain("玫瑰")
print(result)
链的调用方式
- 直接调用：直接调用链对象，会触发内部的
__call__方法。 - 通过run方法：
llm_chain.run("玫瑰")等价于直接调用llm_chain("玫瑰")。 - 通过predict方法：
llm_chain.predict(flower="玫瑰")。 - 通过apply方法：
llm_chain.apply([{"flower": "玫瑰"}, {"flower": "百合"}])。 - 通过generate方法：
llm_chain.generate([{"flower": "玫瑰"}, {"flower": "百合"}])。
Sequential Chain：顺序链
Sequential Chain可以将多个LLMChain串起来，形成一个顺序链，按顺序运行这些链。
示例：生成鲜花的介绍、评论和社交媒体帖子
import os
from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.chains import SequentialChain
os.environ["OPENAI_API_KEY"] = '你的OpenAI API Key'
llm = OpenAI(temperature=.7)
template = """
你是一个植物学家。给定花的名称和类型，你需要为这种花写一个200字左右的介绍。
花名: {name}
颜色: {color}
植物学家: 这是关于上述花的介绍:"""
prompt_template = PromptTemplate(input_variables=["name", "color"], template=template)
introduction_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="introduction")
template = """
你是一位鲜花评论家。给定一种花的介绍，你需要为这种花写一篇200字左右的评论。
鲜花介绍:
{introduction}
花评人对上述花的评论:"""
prompt_template = PromptTemplate(input_variables=["introduction"], template=template)
review_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="review")
template = """
你是一家花店的社交媒体经理。给定一种花的介绍和评论，你需要为这种花写一篇社交媒体的帖子，300字左右。
鲜花介绍:
{introduction}
花评人对上述花的评论:
{review}
社交媒体帖子:
"""
prompt_template = PromptTemplate(input_variables=["introduction", "review"], template=template)
social_post_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="social_post_text")
overall_chain = SequentialChain(
chains=[introduction_chain, review_chain, social_post_chain],
input_variables=["name", "color"],
output_variables=["introduction","review","social_post_text"],
verbose=True)
result = overall_chain({"name":"玫瑰", "color": "黑色"})
print(result)
总结
LangChain提供的“链”功能可以帮助我们将多个组件连接起来，简化复杂应用程序的实现。LLMChain和SequentialChain是最基本的链类型，它们可以被用来构建更复杂的应用程序。
思考题
- 使用LLMChain重构第4课中的鲜花描述生成代码。
- 将output_parser整合到LLMChain中，进一步简化程序结构。
- 选择一个LangChain中的链（未使用过的类型），尝试使用它解决一个问题，并分享你的用例和代码。
