LangChain实战课-09-Chain(上）用SequencialChain链接不同组件

Chain

所谓链，顾名思义，就是把LangChain中的各个部分串起来，形成一个模块化的东西。

首先LangChain通过设计好的接口，实现一个具体的链的功能。例如，LLM链（LLMChain）能够接受用户输入，使用 PromptTemplate 对其进行格式化，然后将格式化的响应传递给 LLM。这就相当于把整个Model I/O的流程封装到链里面。
实现了链的具体功能之后，我们可以通过将多个链组合在一起，或者将链与其他组件组合来构建更复杂的链。

链其实可以被视为LangChain中的一种基本功能单元。

预制链：

最简单的链：LLMChain

LLMChain相当于把Model I/O放在一个链中整体操作。

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

template = "{flower}的花语是?"
prompt_temp = PromptTemplate.from_template(template)
model = ChatOpenAI(temperature=0, model=os.environ.get("LLM_MODELEND"))
-----------------不用Chain-------------------
prompt = prompt_temp.format(flower="玫瑰")
result = model.predict(prompt)
print(result)
-----------------用Chain---------------------
chain = LLMChain(llm=model, prompt=prompt_temp)
result = chain("玫瑰")
print(result)

链的调用方式

直接调用

像函数一样调用一个chain对象，实际上会调用该对象内部实现的__call__方法。llm_chain({'flower': "玫瑰", 'season': "夏季" }))

通过run方法

通过run方法，也等价于直接调用_call_函数。llm_chain.run("玫瑰")<=>llm_chain("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。llm_chain.predict(flower="玫瑰")

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)

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。llm_chain.generate(input_list)

Sequential Chain：顺序链

""" 
本文件是【链（上）：写一篇完美鲜花推文？用SequencialChain链接不同的组件】章节的配套代码，课程链接：https://juejin.cn/book/7387702347436130304/section/7388070991978561588
您可以点击最上方的“运行“按钮，直接运行该文件；更多操作指引请参考Readme.md文件。
"""
# 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。给定花的名称和类型，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鲜花的评论
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：根据鲜花的介绍和评论写出一篇自媒体的文案
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)

LangChain实战课-09-Chain(上）用SequencialChain链接不同组件 | 豆包MarsCode AI刷题