探索LangChain的SequentialChain：编写完美的鲜花推文的实践选题（下）

深入解读LangChain的SequentialChain：链接组件实现完美鲜花推文

在这篇笔记中，我们将详细解析如何使用LangChain的SequentialChain组件，链接不同的LLMChain，生成一篇完美的鲜花推文。通过对代码的逐步解读，理解每个步骤的作用和意义，深入掌握该功能的独特价值和对学习的帮助。

代码解读概览

我们将分两部分详细解释代码：

第一部分代码：演示了如何使用PromptTemplate、LLMChain以及链的各种方法（如run、predict、apply、generate）来生成关于鲜花花语的信息。
第二部分代码：展示了如何使用SequentialChain将多个LLMChain串联起来，依次生成鲜花的介绍、评论和社交媒体帖子。

第一部分代码详细解读

代码概览

这部分代码演示了如何使用LangChain的LLMChain和PromptTemplate，以及链的各种方法，生成关于鲜花在特定季节的花语信息。

# 设置OpenAI API密钥
import os

# 导入所需库
from langchain import PromptTemplate, LLMChain
from langchain_openai import ChatOpenAI

# 设置提示模板
prompt = PromptTemplate(
    input_variables=["flower", "season"], template="{flower}在{season}的花语是?"
)

# 初始化大模型
llm = ChatOpenAI(model=os.environ.get("LLM_MODELEND"), temperature=0)

# 初始化链
llm_chain = LLMChain(llm=llm, prompt=prompt)

# 调用链
response = llm_chain({"flower": "玫瑰", "season": "夏季"})
print(response)

# run方法
llm_chain.run({"flower": "玫瑰", "season": "夏季"})

# predict方法
result = llm_chain.predict(flower="玫瑰", season="夏季")
print(result)

# apply方法
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)

# generate方法
result = llm_chain.generate(input_list)
print(result)

步骤解析

1. 导入必要的库

import os
from langchain import PromptTemplate, LLMChain
from langchain_openai import ChatOpenAI

import os：导入操作系统接口模块，用于获取环境变量。
from langchain import PromptTemplate, LLMChain：从LangChain库中导入PromptTemplate和LLMChain类。
- PromptTemplate：用于创建提示模板，可以包含占位符，在运行时动态填充。
- LLMChain：用于将提示模板和语言模型（LLM）链接在一起，形成一个可调用的链。
from langchain_openai import ChatOpenAI：从LangChain的OpenAI接口中导入ChatOpenAI类，用于与OpenAI的聊天模型进行交互。

2. 设置提示模板

prompt = PromptTemplate(
    input_variables=["flower", "season"],
    template="{flower}在{season}的花语是?"
)

PromptTemplate：创建一个提示模板实例。
- input_variables：定义模板中的占位符变量，这里是"flower"和"season"。
- template：定义模板字符串，包含占位符。这里的模板是"{flower}在{season}的花语是?"。
作用：这个模板允许我们动态地填入不同的花名和季节，生成相应的提问。

3. 初始化语言模型

llm = ChatOpenAI(model=os.environ.get("LLM_MODELEND"), temperature=0)

ChatOpenAI：创建一个与OpenAI聊天模型交互的实例。
- model：指定使用的模型名称，从环境变量LLM_MODELEND中获取。
- temperature：设置生成的随机性，0表示输出更确定，更一致。
作用：初始化语言模型，以便后续生成回答。

4. 初始化链

llm_chain = LLMChain(llm=llm, prompt=prompt)

LLMChain：将提示模板prompt和语言模型llm链接成一个链。
- llm：传入之前初始化的语言模型。
- prompt：传入之前创建的提示模板。
作用：创建一个可调用的链，输入变量后，自动生成提示并调用模型获取结果。

5. 调用链并获取结果

response = llm_chain({"flower": "玫瑰", "season": "夏季"})
print(response)

llm_chain({"flower": "玫瑰", "season": "夏季"})：调用链，传入flower和season的具体值。
print(response)：打印链的返回结果。
解释：链会使用传入的参数生成提示，例如"玫瑰在夏季的花语是?"，然后调用模型获取回答，最终返回结果。

6. 使用`run`方法

llm_chain.run({"flower": "玫瑰", "season": "夏季"})

llm_chain.run()：run方法是链的快捷调用方式，直接返回模型生成的文本。
作用：与之前的调用方式类似，但只返回模型的输出文本。

7. 使用`predict`方法

result = llm_chain.predict(flower="玫瑰", season="夏季")
print(result)

llm_chain.predict()：predict方法也是链的快捷调用方式，使用关键字参数传入输入变量。
作用：方便地调用链，获取模型的输出。

8. 使用`apply`方法

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)

input_list：定义一个输入列表，每个元素是一个字典，包含flower和season。
llm_chain.apply(input_list)：对输入列表中的每个元素运行链，返回结果列表。
作用：批量处理多个输入，方便进行大规模的预测。

9. 使用`generate`方法

result = llm_chain.generate(input_list)
print(result)

llm_chain.generate(input_list)：与apply方法类似，但返回更详细的生成信息，包括生成的中间过程和元数据。
作用：获取关于模型生成的更详细信息，便于调试和分析。

运行结果示例

单次调用结果：

{'flower': '玫瑰', 'season': '夏季', 'text': '玫瑰在夏季的花语与其他季节基本相同，常见的花语包括：爱情、美丽、热情、浪漫等。'}

批量处理结果：

[{'text': '玫瑰在夏季的花语包括爱情、热情、浪漫和美丽等。'},
 {'text': '百合在春季的花语是纯洁、庄严、心想事成和百年好合。'},
 {'text': '郁金香在秋季的花语是博爱、体贴、高雅和富贵。'}]

总结

通过这个代码示例，我们学习了：

如何使用PromptTemplate创建动态提示模板。
如何初始化ChatOpenAI模型，并设置参数。
如何使用LLMChain将提示模板和模型链接起来。
如何使用run、predict、apply、generate等方法调用链，处理单个或多个输入。

第二部分代码详细解读

代码概览

这部分代码展示了如何使用SequentialChain将多个LLMChain串联起来，依次生成鲜花的介绍、评论和社交媒体帖子，实现一个完整的内容生成流程。

# 设置OpenAI API密钥
import os

# 导入所需要的库
from langchain.chains import LLMChain, SequentialChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

# 第一个LLMChain：生成鲜花的介绍
llm = ChatOpenAI(
    temperature=0.7,
    model=os.environ.get("LLM_MODELEND"),
)
template = """
你是一个植物学家。给定花的名称和颜色，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"
)

# 第二个LLMChain：根据鲜花的介绍写出评论
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")

# 第三个LLMChain：根据介绍和评论写出社交媒体的文案
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"
)

# 总的链：按顺序运行三个链
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)

步骤解析

1. 导入必要的库

import os
from langchain.chains import LLMChain, SequentialChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

from langchain.chains import LLMChain, SequentialChain：从LangChain的chains模块中导入LLMChain和SequentialChain类。
from langchain.prompts import PromptTemplate：从LangChain的prompts模块中导入PromptTemplate类。
其他导入与之前相同。

2. 初始化语言模型

llm = ChatOpenAI(
    temperature=0.7,
    model=os.environ.get("LLM_MODELEND"),
)

temperature=0.7：设置生成的随机性，值越高，生成内容越具有多样性和创造性。
作用：为后续的链使用同一个语言模型。

3. 创建第一个LLMChain：生成鲜花的介绍

a. 定义提示模板

template = """
你是一个植物学家。给定花的名称和颜色，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)

template：定义了一个多行字符串，包含了提示信息和占位符{name}和{color}。
PromptTemplate：创建提示模板实例，指定了输入变量。

b. 创建LLMChain实例

introduction_chain = LLMChain(
    llm=llm, prompt=prompt_template, output_key="introduction"
)

LLMChain：将语言模型llm和提示模板prompt_template链接起来。
output_key="introduction"：指定输出的键名，用于后续在链中引用。

4. 创建第二个LLMChain：根据鲜花的介绍写出评论

a. 定义提示模板

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)

{introduction}：占位符，用于接收前一个链的输出。

b. 创建LLMChain实例

review_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="review")

output_key="review"：指定输出的键名。

5. 创建第三个LLMChain：根据介绍和评论写出社交媒体的文案

a. 定义提示模板

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
)

{introduction}和{review}：占位符，分别接收前两个链的输出。

b. 创建LLMChain实例

social_post_chain = LLMChain(
    llm=llm, prompt=prompt_template, output_key="social_post_text"
)

output_key="social_post_text"：指定输出的键名。

6. 创建SequentialChain：将三个LLMChain串联起来

overall_chain = SequentialChain(
    chains=[introduction_chain, review_chain, social_post_chain],
    input_variables=["name", "color"],
    output_variables=["introduction", "review", "social_post_text"],
    verbose=True,
)

chains：按顺序传入之前创建的三个链。
input_variables：整个链的输入变量，这里是"name"和"color"。
output_variables：整个链的输出变量，包括每个链的输出键。
verbose=True：启用详细模式，运行时会打印链的执行信息。
作用：将各个链串联起来，自动将前一个链的输出作为下一个链的输入。

7. 运行SequentialChain并打印结果

result = overall_chain({"name": "玫瑰", "color": "黑色"})
print(result)

overall_chain({"name": "玫瑰", "color": "黑色"})：调用整个链，传入花的名称和颜色。
print(result)：打印最终的结果，包括每个链的输出。

运行流程解析

第一步（introduction_chain）：

输入："name": "玫瑰", "color": "黑色"

生成提示：

你是一个植物学家。给定花的名称和颜色，你需要为这种花写一个200字左右的介绍。
花名: 玫瑰
颜色: 黑色
植物学家: 这是关于上述花的介绍:

模型生成：根据提示，输出关于黑色玫瑰的介绍。
输出："introduction": "..."

第二步（review_chain）：
- 输入："introduction": "..."（来自第一步的输出）
- 生成提示：
```
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:
...
花评人对上述花的评论:
```
- 模型生成：根据介绍，输出对黑色玫瑰的评论。
- 输出："review": "..."
第三步（social_post_chain）：
- 输入："introduction": "...", "review": "..."（来自前两步的输出）
- 生成提示：
```
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:
...
花评人对上述花的评论:
...
社交媒体帖子:
```
- 模型生成：根据介绍和评论，输出一篇社交媒体帖子。
- 输出："social_post_text": "..."

最终输出结果

{
    'name': '玫瑰',
    'color': '黑色',
    'introduction': '...',  # 第一部分输出：黑色玫瑰的介绍
    'review': '...',        # 第二部分输出：对黑色玫瑰的评论
    'social_post_text': '...'  # 第三部分输出：社交媒体帖子
}

总结

通过这个代码示例，我们学习了：

如何使用LLMChain创建单个任务链。
如何使用SequentialChain将多个LLMChain串联起来，形成一个复杂的任务流程。
如何设计提示模板，引导模型生成预期的内容。
如何在链中传递变量，将前一个链的输出作为下一个链的输入。

个人思考与收获

通过对上述代码的详细解析，我深刻体会到LangChain提供的强大功能。在实践中，我学到了以下几点：

模块化思维：将复杂任务拆解为多个独立的步骤，每个步骤由一个LLMChain完成，这样的设计便于调试和维护。
提示工程：精心设计提示模板，可以有效引导模型生成符合预期的内容。这需要对语言模型的理解和对提示的把握。
链式结构：SequentialChain的使用，使得数据在链中自动传递，减少了手动传递的繁琐步骤，提高了代码的清晰度。
模型参数调整：通过调整模型的temperature等参数，可以控制生成内容的随机性和创造性，满足不同的需求。
实践应用：这种链式生成内容的方式，可以应用于实际的项目中，如自动化内容生成、智能问答等，具有广阔的应用前景。

结论

通过详细解读每个步骤的代码，我们深入了解了LangChain的PromptTemplate、LLMChain和SequentialChain的使用方法和原理。实践证明，这些工具能够大大提高我们的开发效率，帮助我们更好地利用AI模型解决实际问题。

希望这篇笔记能够帮助你更好地理解这些工具的使用，并在实践中加以应用。未来，我将继续探索AI工具的更多可能性，提升自己的学习和实践能力。

探索LangChain的SequentialChain：编写完美的鲜花推文的实践选题（下） | 豆包MarsCode AI刷题

深入解读LangChain的SequentialChain：链接组件实现完美鲜花推文

代码解读概览

第一部分代码详细解读

代码概览

步骤解析

1. 导入必要的库

2. 设置提示模板

3. 初始化语言模型

4. 初始化链

5. 调用链并获取结果

6. 使用run方法

7. 使用predict方法

8. 使用apply方法

9. 使用generate方法

运行结果示例

总结

第二部分代码详细解读

代码概览

步骤解析

1. 导入必要的库

2. 初始化语言模型

3. 创建第一个LLMChain：生成鲜花的介绍

a. 定义提示模板

b. 创建LLMChain实例

4. 创建第二个LLMChain：根据鲜花的介绍写出评论

a. 定义提示模板

b. 创建LLMChain实例

5. 创建第三个LLMChain：根据介绍和评论写出社交媒体的文案

a. 定义提示模板

b. 创建LLMChain实例

6. 创建SequentialChain：将三个LLMChain串联起来

7. 运行SequentialChain并打印结果

运行流程解析

最终输出结果

总结

个人思考与收获

结论

6. 使用`run`方法

7. 使用`predict`方法

8. 使用`apply`方法

9. 使用`generate`方法