在LangChain框架中，链（Chains）是构建复杂应用程序的基本单元。链可以理解为一系列处理步骤的组合，每个步骤都可能涉及语言模型、工具或数据源的操作。通过将这些基本组件以特定方式链接起来，我们可以创建出能够完成从简单到复杂任务的应用程序。下面，我将详细介绍LangChain中几种常见的链类型及其基本调用方法。
- 基本链 - LLMChain LLMChain是最基础也是最直接的一种链形式，它直接利用语言模型来生成响应。这种链适用于那些不需要额外工具支持的任务，如文本生成、摘要制作等。
主要功能：接受输入并返回基于大模型预测的结果。 使用场景：当任务可以通过单一的大规模语言模型解决时，比如生成创意内容、回答问题等。
- 复合链 - Sequential Chain 和 SimpleSequentialChain 当需要执行一系列相互依赖的任务时，可以使用Sequential Chain或其简化版本SimpleSequentialChain来按顺序执行多个子链。
主要功能：允许按照预定义的顺序执行多个链。 使用场景：适用于需要分阶段处理信息的情况，例如先进行文本分析再基于分析结果生成报告。
- 结构化输出链 - StructuredOutputChain 对于需要结构化输出的任务，比如提取特定格式的信息，可以使用StructuredOutputChain。这类链通常结合了特定的输出解析器，确保最终输出符合预期格式。
主要功能：根据给定的模式生成结构化的输出。 使用场景：当希望从非结构化文本中提取特定信息，并将其组织成易于进一步处理的形式时。
- 路由链 - RouterChain RouterChain用于根据输入选择不同的路径来执行任务。这对于需要根据不同条件应用不同逻辑的情景非常有用。
主要功能：依据某些标准动态决定接下来执行哪个链。 使用场景：面对多种类型的请求，每种类型需要不同的处理逻辑时。
通过上述介绍可以看出，LangChain提供了一套灵活且强大的机制来构建复杂的自然语言处理系统。无论是简单的文本生成还是复杂的多步骤推理过程，都能找到合适的链类型来满足需求。开发者可以根据具体应用场景选择适合的链类型，并通过合理的配置和组合实现高效的工作流程。此外，随着社区的发展和技术的进步，未来还会有更多创新性的链类型出现，为开发人员提供更多可能性。 使用 LangChain 模型进行链调用时，有一些基本方法和常用的模块。以下是一些基本模型的介绍
1.Chain 基类
Chain 是 LangChain 的核心类，它定义了调用链条的基本结构。通过继承 Chain，可以构建自己的链。
以下是如何创建一个自定义链的示例
class CustomChain(Chain):
def __init__(self, some_param):
super().__init__()
self.some_param = some_param
def _call(self, inputs):
# 自定义逻辑
return {"output": inputs["input"] + self.some_param}
@property
def input_keys(self):
return ["input"]
@property
def output_keys(self):
return ["output"]
custom_chain = CustomChain(some_param="!")
result = custom_chain.run({"input": "Hello"}) # 结果: {"output": "Hello!"}
run(input_data)
run() 方法适用于处理单个输入数据并返回链的输出，常用于单次调用。通过传入数据并运行链，返回处理结果。
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
# 定义提示模板和语言模型
prompt = PromptTemplate(template="Translate '{text}' to French.", input_variables=["text"])
llm = OpenAI(model_name="text-davinci-003")
# 创建 LLMChain
chain = LLMChain(prompt=prompt, llm=llm)
# 使用 run() 进行单次调用
result = chain.run(text="Hello, how are you?")
print(result) # 输出法语翻译，例如："Bonjour, comment ça va ?"
apply(inputs)
apply() 方法适用于批量输入处理，将多个输入同时传递给链，返回多个结果。将输入数据批量传递给链处理，返回多个结果。
示例代码
inputs = [{"text": "Hello, how are you?"}, {"text": "What is your name?"}, {"text": "Goodbye!"}]
# 使用 apply() 批量处理
results = chain.apply(inputs)
for res in results:
print(res) # 输出每个输入的法语翻译
from_chain_type()
from_chain_type() 是 LangChain 提供的便捷方法，用于根据预设链类型创建实例。可以快速创建常见链类型的实例，如 LLMChain、SequentialChain。 示例代码
chain = LLMChain.from_chain_type(llm=llm, chain_type="simple", prompt=prompt)
# 调用 run() 进行测试
result = chain.run(text="Thank you very much!")
print(result) # 输出法语翻译，例如："Merci beaucoup !"
2. LLMChain
LLMChain 用于将输入内容与提示词模板合并，并传递给语言模型（如 OpenAI 的 GPT-3 或 GPT-4），生成预测结果。
示例代码
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
# 创建提示模板
prompt = PromptTemplate(template="Translate '{text}' to French.", input_variables=["text"])
# 实例化语言模型
llm = OpenAI(model_name="text-davinci-003")
# 创建链
chain = LLMChain(prompt=prompt, llm=llm)
# 调用链并传入输入数据
result = chain.run(text="Hello, how are you?")
print(result) # 输出：翻译后的法语文本
常用方法：
predict(kwargs)
根据输入内容，利用语言模型生成预测结果。predict() 方法接收关键字参数 kwargs，可以将需要的输入内容（如 text）传入链条。该方法返回一个单一预测结果，适合单一任务的调用。
代码示例
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
# 创建提示模板和语言模型
prompt = PromptTemplate(template="Translate '{text}' to French.", input_variables=["text"])
llm = OpenAI(model_name="text-davinci-003")
# 创建 LLMChain 实例
chain = LLMChain(prompt=prompt, llm=llm)
# 使用 predict() 方法进行单次调用
result = chain.predict(text="Hello, how are you?")
print(result) # 输出法语翻译，例如："Bonjour, comment ça va ?"
predict_multiple(prompts)
predict_multiple() 方法用于批量处理多个输入，可以一次性对多个提示生成预测结果。predict_multiple() 方法接收一个列表 prompts，每个列表项是一个字典，包含相应的输入内容。该方法返回一组预测结果，适合批量输入的情况。
代码示例
prompts = [
{"text": "Hello, how are you?"},
{"text": "What is your name?"},
{"text": "Goodbye!"}
]
# 使用 predict_multiple() 方法进行批量预测
results = chain.predict_multiple(prompts=prompts)
for res in results:
print(res) # 输出每个输入的法语翻译，例如："Bonjour, comment ça va ?", "Quel est votre nom ?", "Au revoir !"
3. SequentialChain
SequentialChain 用于串行执行多个链的情况。一个链的输出可以作为下一个链的输入。 常用方法：
run(input_data)
将输入数据依次传递给多个链，返回最终的输出。
add_chain(chain, output_key)
将一个链添加到 SequentialChain 中并指定输出键。
4. SimpleSequentialChain
SimpleSequentialChain 是 SequentialChain 的简化版，适合处理顺序关系简单的多链调用情况。
chain1 = LLMChain(prompt=PromptTemplate(template="Translate '{text}' to French.", input_variables=["text"]), llm=llm)
chain2 = LLMChain(prompt=PromptTemplate(template="Explain '{text}' in English.", input_variables=["text"]), llm=llm)
# 创建简单顺序链
simple_chain = SimpleSequentialChain(chains=[chain1, chain2])
# 运行简单顺序链
result = simple_chain.run("Hello, how are you?")
print(result) # 输出：最终的解释结果
5. RouterChain
RouterChain 可以根据输入条件选择不同的链来运行，适合根据特定条件动态选择链的情况。
常用方法： route(input_data)：根据条件（例如输入的特定值）路由到对应链。 add_route(route, chain)：定义路由条件并将链与其关联。
代码示例
# 假设定义了多个子链
french_chain = LLMChain(prompt=PromptTemplate(template="Translate '{text}' to French.", input_variables=["text"]), llm=llm)
spanish_chain = LLMChain(prompt=PromptTemplate(template="Translate '{text}' to Spanish.", input_variables=["text"]), llm=llm)
# 创建路由链
route_chain = RouterChain(router={"french": french_chain, "spanish": spanish_chain})
# 根据条件选择链
result = route_chain.route("Hello, how are you?", route="french")
print(result) # 输出：法语翻译
6. ConversationChain
ConversationChain 用于上下文保持的对话应用，通过在链调用之间传递会话上下文实现对话的连贯性。
from langchain.chains import ConversationChain
# 创建内存对象
memory = ConversationBufferMemory()
# 创建对话链并传入内存
conversation = ConversationChain(llm=llm, memory=memory)
# 运行多轮对话
result1 = conversation.run("Hello!")
result2 = conversation.run("How are you?")
result3 = conversation.run("Tell me more about Paris.")
print(result1, result2, result3) # 输出多轮对话的结果
7. Memory 模块
Memory 模块可以独立使用，也可与链配合，用于管理链条之间的上下文，方便实现多轮对话或上下文管理。
# 使用摘要型内存记录对话要点
memory = ConversationSummaryMemory()
# 将内存与对话链绑定
conversation = ConversationChain(llm=llm, memory=memory)
# 模拟对话
result1 = conversation.run("What's the capital of France?")
result2 = conversation.run("What famous landmarks are there?")
print(result1, result2) # 会保留前文摘要
通过将这些调用方式组合使用可以构建强大且灵活的应用。
