什么是chain：
Chain将多个组件（如模型、提示模板、解析器）连接成一个连贯的工作流。
通过模块化设计，简化了复杂应用的实现、调试、维护和扩展。
chain如何工作：
-
Chain的封装功能，LLMChain，它接收用户输入，通过提示模板格式化后传递给LLM处理。
-
可以通过组合多个Chain或将Chain与其他组件连接，构建更高级的系统
总结来说，Chain是LangChain模块化架构的核心，帮助开发者高效地构建强大且易于维护的应用程序。
LLMChain 是 LangChain 中最基础的链，用于简化语言模型的输入和输出操作。它将 PromptTemplat（提示模板）、语言模型（如 LLM 或聊天模型）以及 Output parser 整合在一起，把整个模型的输入输出流程封装为一个连贯的操作。
使用前后对比
不用链：
创建提示模板，通过 PromptTemplate 格式化输入。
调用模型实例（如 OpenAI 接口），传递格式化的提示，并获取结果。
提示构建和模型调用是独立的两个步骤，代码冗长。
使用LLMChain：
使用 LLMChain，将提示模板和模型调用流程封装在一起。
简化了代码结构，更直观且易于维护。
LangChain 提供了多种调用链的方法:
-
直接调用：通过 “call” 方法，直接调用链对象，可以传递单个输入或字典形式的多个输入。
-
run：等价于直接调用，用于传递单个输入。
-
predict：通过关键字参数传递输入。
-
apply：一次性处理多个输入，用于批量操作。
-
generate：类似于 apply，但返回更详细的 LLMResult 对象，包含模型生成过程的附加信息。
顺序链，将多输出链在一起输出一个最终结果
示例：
-
第一步：生成鲜花的知识性说明
-
第二步：生成评论
-
第三步：生成社交媒体文案
思考题1：
RouterChain和MultiPromptChain
实现一个鲜花运营智能客服系统，根据用户问题的类型（鲜花养护或鲜花装饰）动态选择不同的处理逻辑。
RouterChain：
- RouterChain 动态选择处理。
- 系统根据用户输入内容，使用路由器链决定问题类型，并选择相应的处理模板。
- 如果问题不匹配任何已定义模板，则由默认链处理。
通过key查找匹配的模板，使用prompt_infos列表，存储每个模板的key、描述（description）和内容（template）。
遍历 prompt_infos 列表，为每个模板构建一个 LLMChain。 将链存储在字典 chain_map 中，供后续路由选择。
使用 LLMRouterChain 构建一个路由器链： 定义路由模板 router_template，列出候选模板的名称和描述。 构造 router_prompt，引导大语言模型根据用户输入选择合适的模板。定义一个默认链 default_chain，处理无法分类的问题。最后使用 MultiPromptChain 整合所有链。 思考题1： 将MultiPromptChain中verbose设为False时报错，只改变其他verbose时字体会改变，输出更简洁。 思考题2：
