Chain课程的总结与感悟| 豆包MarsCode AI刷题

前言

Chain是LangChain中的关键组件，如果我们想开发更复杂的应用程序，那么就需要通过 “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。Chain在内部把一系列的功能进行封装，而其的外部则又可以组合串联。因此，Chain其实可以被视为LangChain中的一种基本功能单元。下面的内容是我对Chain课程一些重点的总结。

链的调用方式

1. 直接调用：

   如果我们的提示模板中包含多个变量，在调用链的时候，可以使用字典一次性输入它们。

2. 通过run方法：

   通过run方法，也等价于直接调用_call_函数。即：

   llm_chain("玫瑰")
   

   等价于：

   llm_chain.run("玫瑰")
   

3. 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)
   

4. 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。

   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)
   

5. 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。LLMResult通常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。

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

路由链

RouterChain，能动态选择用于给定输入的下一个链。我们可以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。路由链的使用要根据我们想要大模型做的事情来具体使用。

具体步骤如下：

1. 构建处理模板：为想做的事情所需的内容方案分别定义字符串模板。
2. 提示信息：使用一个列表来组织和存储这些处理模板的关键信息，如模板的键、描述和实际内容。
3. 初始化语言模型：导入并实例化语言模型。
4. 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。
5. 构建LLM路由链：这是决策的核心部分。首先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。
6. 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。
7. 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。

总结

LangChain为我们提供了好用的“链”，帮助我们把多个组件像链条一样连接起来。这个“链条”就是一系列组件的调用顺序，这个顺序里还可以包括其他的“链条”。我们可以使用多种方法调用链，也可以根据开发时的需求选择各种不同的链。Chain的使用使得大模型在面对我们想要获得的回答时，能够综合多种需要，将每个回答完美地串联在一起！这部分课程也给了我巨大的收获，使我对LangChain的了解更进了一步！