如果要开发更复杂的应用程序，需要通过 “Chain” 来链接LangChain的各个组件和功能——模型之间彼此链接，或模型与其他组件链接。
LangChain中提供了很多种类型的预置链，目的是使各种各样的任务实现起来更加方便、规范。
LLMChain
LLMChain整合了PromptTemplate、语言模型（LLM或聊天模型）和 Output Parser，使用提示模板格式化输入，将格式化的字符串传递给 LLM，并返回 LLM 输出。
以生成花语为例来说，之前这个案例需要先设计提示模板根据模板创建提示，然后再创建并调用模型，返回结果。如果使用链，代码结构被简化。
# 导入所需的库
from langchain import PromptTemplate, OpenAI, LLMChain
# 原始字符串模板
template = "{flower}的花语是?"
# 创建模型实例
llm = OpenAI(temperature=0)
# 创建LLMChain
llm_chain = LLMChain(
llm=llm,
prompt=PromptTemplate.from_template(template))
# 调用LLMChain，返回结果
result = llm_chain("玫瑰")
print(result)
链的调用方式
直接调用
上文提到的方法就是直接调用链对象，如果提示模板包含多个变量，在调用链的时候，可以使用字典一次性输入它们。
通过run方法
run方法，也等价于直接调用_call_函数。
llm_chain("玫瑰")
# 等价于
llm_chain.run("玫瑰")
通过predict方法
predict方法类似于run，只是输入键被指定为关键字参数而不是 Python 字典。
result = llm_chain.predict(flower="玫瑰")
print(result)
通过apply方法
apply方法允许我们针对输入列表运行链，一次处理多个输入。
# apply允许您针对输入列表运行链
input_list = [
{"flower": "玫瑰",'season': "夏季"},
{"flower": "百合",'season': "春季"},
{"flower": "郁金香",'season': "秋季"}
]
result = llm_chain.apply(input_list)
print(result)
通过generate方法
generate方法类似于apply，只不过它返回一个LLMResult对象，而不是字符串
result = llm_chain.generate(input_list)
print(result)
#输出是一个对象，里面包含模型生成文本过程中的一些相关信息，例如令牌数量、模型名称等。
Sequential Chain
Sequential Chain 相当于将几个LLMChain串起来，形成一个顺序链。
下面用一个示例来解释，假设大模型要经过三步：
- 第一步，我们假设大模型是一个植物学家，让他给出某种特定鲜花的知识和介绍。
- 第二步，我们假设大模型是一个鲜花评论者，让他参考上面植物学家的文字输出，对鲜花进行评论。
- 第三步，我们假设大模型是易速鲜花的社交媒体运营经理，让他参考上面植物学家和鲜花评论者的文字输出，来写一篇鲜花运营文案。
#第一步，生成鲜花的知识性说明，省略单个LLMChain所需传输的参数
introduction_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="introduction")
#第二步，根据鲜花的知识性说明生成评论。
review_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="review")
#第三步，根据鲜花的介绍和评论写出一篇自媒体的文案。
social_post_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="social_post_text")
#然后将以上三步连接起来
overall_chain = SequentialChain(
chains=[introduction_chain, review_chain, social_post_chain],
input_variables=["name", "color"],
output_variables=["introduction","review","social_post_text"],
verbose=True)
# 运行链，并打印结果
result = overall_chain({"name":"玫瑰", "color": "黑色"})
print(result)
最后的输出为如下：
RouterChain
当然一个AI助手ChatBot不可能只能解决一种问题。当遇到不同类型的题目，应该有的反应是，如果接到的是第一类问题，你要给ChatBot A指示；如果接到第二类的问题，你要给ChatBot B指示。 这就可以通过RouterChain来自动引导大预言模型选择不同的模板。
RouterChain，也叫路由链，能动态选择用于给定输入的下一个链。我们会根据用户的问题内容，首先使用路由器链确定问题更适合哪个处理模板，然后将问题发送到该处理模板进行回答。如果问题不适合任何已定义的处理模板，它会被发送到默认链。
下面用一个示例来解释：
鲜花运营智能客服ChatBot通常会接到两大类问题。
- 鲜花养护（保持花的健康、如何浇水、施肥等）
- 鲜花装饰（如何搭配花、如何装饰场地等）
思路
- 构建处理模板：为鲜花护理和鲜花装饰分别定义两个字符串模板。
- 提示信息：使用一个列表来组织和存储这两个处理模板的关键信息，如模板的键、描述和实际内容。
- 构建目标链：根据提示信息中的每个模板构建了对应的LLMChain，并存储在一个字典中。
- 构建LLM路由链：这是决策的核心部分。首先，它根据提示信息构建了一个路由模板，然后使用这个模板创建了一个LLMRouterChain。
- 构建默认链：如果输入不适合任何已定义的处理模板，这个默认链会被触发。
- 构建多提示链：使用MultiPromptChain将LLM路由链、目标链和默认链组合在一起，形成一个完整的决策系统。
实现过程
构建提示信息时，用列表处理关键信息
# 构建提示信息
prompt_infos = [
{
"key": "flower_care",
"description": "适合回答关于鲜花护理的问题",
"template": flower_care_template,
},
{
"key": "flower_decoration",
"description": "适合回答关于鲜花装饰的问题",
"template": flower_deco_template,
}]
构建目标链，分别负责处理不同的问题
chain_map = {}
for info in prompt_infos:
prompt = PromptTemplate(template=info['template'],
input_variables=["input"])
print("目标提示:\n",prompt)
chain = LLMChain(llm=llm, prompt=prompt,verbose=True)
chain_map[info["key"]] = chain
构建LLM路由链，负责查看用户输入的问题，确定问题的类型。
# 构建路由链
from langchain.chains.router.llm_router import LLMRouterChain, RouterOutputParser
from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE as RounterTemplate
destinations = [f"{p['key']}: {p['description']}" for p in prompt_infos]
router_template = RounterTemplate.format(destinations="\n".join(destinations))
print("路由模板:\n",router_template)
router_prompt = PromptTemplate(
template=router_template,
input_variables=["input"],
output_parser=RouterOutputParser(),)
print("路由提示:\n",router_prompt)
router_chain = LLMRouterChain.from_llm(llm,
router_prompt,
verbose=True)
将多个子链的key和description统一为router_template
这个路由模板可以根据输入选出最合适的模型提示。
- 其中input_variables 指定模板接收的输入变量名，这里只有
"input"。 - output_parser 是一个用于解析模型输出的对象，它有一个默认的目的地和一个指向下一输入的键。
- template 是实际的路由模板，用于给模型提供指示。这就是刚才详细解释的模板内容。
- template_format 指定模板的格式，这里是
"f-string"。 - validate_template 是一个布尔值，如果为 True，则会在使用模板前验证其有效性。
输出：
构建默认链：
除了处理目标链和路由链之外，我们还需要准备一个默认链。如果路由链没有找到适合的链，那么，就以默认链进行处理。
# 构建默认链
from langchain.chains import ConversationChain
default_chain = ConversationChain(llm=llm,
output_key="text",
verbose=True)
构建多提示链
使用MultiPromptChain类把前几个链整合在一起，实现路由功能。这个MultiPromptChain类是一个多路选择链，它使用一个LLM路由器链在多个提示之间进行选择。
- router_chain（类型RouterChain）：这是用于决定目标链和其输入的链。当给定某个输入时，这个router_chain决定哪一个destination_chain应该被选中，以及传给它的具体输入是什么。
- destination_chains（类型Mapping[str, LLMChain]）：这是一个映射，将名称映射到可以将输入路由到的候选链。例如，你可能有多种处理文本输入的方法（或“链”），每种方法针对特定类型的问题。
- default_chain（类型LLMChain）：当 router_chain 无法将输入映射到destination_chains中的任何一个链时，LLMChain 将使用此默认链。这是一个备选方案，确保即使路由器不能决定正确的链，也总有一个链可以处理输入。
# 构建多提示链
from langchain.chains.router import MultiPromptChain
chain = MultiPromptChain(
router_chain=router_chain,
destination_chains=chain_map,
default_chain=default_chain,
verbose=True)
运行结果一：
运行结果二：
运行结果三：
