我正在参加「豆包MarsCode AI练中学体验活动」详情请看：掘金小册上线 AI练中学功能 | 你的 AI 编程助教喊你免费领小册啦！
LangChain实战课 - 深入理解Chain组件
1. 课程引入
- 回顾了LangChain的应用和功能，提出了“Chain”作为关键组件的重要性。
2. 什么是Chain
- Chain用于链接LangChain的各个组件和功能，简化复杂应用程序的实现，并使之模块化。
- Chain可以视为LangChain中的基本功能单元，内部封装一系列功能，外部可以组合串联。
3. LLMChain：最简单的链
- LLMChain整合了PromptTemplate、语言模型（LLM）和Output Parser，封装了Model I/O流程。
- 通过示例演示了不使用链和使用链的代码对比，展示了链的简洁性。
4. 链的调用方式
- 直接调用：调用链对象时，会调用内部实现的__call__方法。
- 使用字典输入：如果提示模板包含多个变量，可以使用字典一次性输入。
- 通过run方法：等价于直接调用__call_函数。
- 通过predict方法：类似于run，输入键被指定为关键字参数。
- 通过apply方法：针对输入列表运行链，一次处理多个输入。
- 通过generate方法：返回LLMResult对象，包含生成文本过程中的相关信息。
5. Sequential Chain：顺序链
- 使用Sequential Chain将多个LLMChain串起来，形成一个顺序链。
- 通过示例演示了如何使用Sequential Chain生成鲜花的知识性说明、评论和社交媒体文案。
6. 总结
- LangChain提供的“链”帮助我们将多个组件连接起来，形成一系列组件的调用顺序。
- 可以使用多种方法调用链，并根据需求选择不同的链。
- LangChain中还自带大量其他类型的链，封装了各种功能。
7. 思考题
- 使用LLMChain重构第4课中鲜花描述的提示format和获取模型输出部分。
- 进一步将output_parser整合到LLMChain中，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，并分享用例和代码。
思考题解答
1. 使用LLMChain重构第4课中鲜花描述的提示format和获取模型输出部分。
在第4课中，我们可能使用了以下代码来生成鲜花描述：
for flower, price in zip(flowers, prices):
# 根据提示准备模型的输入
input = prompt.format(flower_name=flower, price=price)
# 获取模型的输出
output = model(input)
# 解析模型的输出
parsed_output = output_parser.parse(output)
使用LLMChain重构上述代码：
from langchain import PromptTemplate, OpenAI, LLMChain
# 定义模型和提示模板
model = OpenAI(temperature=0)
template = "{flower_name}售价为{price}元，请给出一个吸引人的描述。"
# 创建LLMChain
llm_chain = LLMChain(
llm=model,
prompt=PromptTemplate.from_template(template)
)
# 准备输入数据
flowers = ["玫瑰", "百合", "康乃馨"]
prices = ["50", "30", "20"]
# 使用LLMChain获取模型输出
for flower, price in zip(flowers, prices):
result = llm_chain.run({"flower_name": flower, "price": price})
print(result)
2. 进一步将output_parser整合到LLMChain中，简化程序结构。
我们可以将output_parser作为LLMChain的一个参数，这样LLMChain就会负责解析输出：
from langchain import PydanticOutputParser
# 假设我们有一个Pydantic模型定义
from pydantic import BaseModel
class FlowerDescription(BaseModel):
description: str
# 创建输出解析器
output_parser = PydanticOutputParser(pydantic_object=FlowerDescription)
# 将output_parser整合到LLMChain中
llm_chain = LLMChain(
llm=model,
prompt=PromptTemplate.from_template(template),
output_parser=output_parser
)
# 使用LLMChain获取模型输出并解析
for flower, price in zip(flowers, prices):
result = llm_chain.run({"flower_name": flower, "price": price})
print(result.description) # 直接访问描述字段
3. 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，并分享用例和代码。
让我们选择ConditionalChain，这个链可以根据条件执行不同的子链。例如，我们可以根据用户输入的长度来决定使用不同的模型：
from langchain import ConditionalChain
# 定义两个不同的LLMChain，根据不同的输入长度使用不同的模型
llm_chain_short = LLMChain(llm=OpenAI(temperature=0.5), prompt=PromptTemplate.from_template("Short input: {input}"))
llm_chain_long = LLMChain(llm=OpenAI(temperature=0.7), prompt=PromptTemplate.from_template("Long input: {input}"))
# 定义条件函数
def use_long_model(input_text):
return len(input_text) > 50
# 创建ConditionalChain
conditional_chain = ConditionalChain(
chains=[llm_chain_short, llm_chain_long],
conditions=[lambda x: len(x) <= 50, use_long_model]
)
# 测试ConditionalChain
input_short = "This is a short input."
input_long = "This is a very long input that exceeds the length of fifty characters, requiring a different model to handle its complexity."
print(conditional_chain.run(input_short))
print(conditional_chain.run(input_long))
在这个例子中，ConditionalChain根据输入的长度选择使用llm_chain_short或llm_chain_long。这样的链可以用于处理不同复杂度的任务，提高程序的灵活性和效率。
8. 延伸阅读
- GitHub上各种各样的链。
- LLMChain的实现细节代码。
通过本节课，我们深入理解了LangChain中的Chain组件，学习了如何使用LLMChain和Sequential Chain来简化和模块化我们的应用程序。Chain不仅提高了代码的可读性和可维护性，还使得复杂功能的实现变得更加简单。通过思考题和延伸阅读，我们可以进一步探索LangChain中的其他链类型，并尝试将它们应用到实际问题中。
