首页 > 分享 > 06｜链（上）：写一篇完美鲜花推文？用SequencialChain链接不同的组件

06｜链（上）：写一篇完美鲜花推文？用SequencialChain链接不同的组件

花匠小妙招
2024-09-10 14:14

什么是 Chain

如果你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。

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。

链在内部把一系列的功能进行封装，而链的外部则又可以组合串联。链其实可以被视为LangChain中的一种基本功能单元。

LLMChain：最简单的链

#----第一步创建提示 # 导入LangChain中的提示模板 from langchain import PromptTemplate # 原始字符串模板 template = "{flower}的花语是?" # 创建LangChain模板 prompt_temp = PromptTemplate.from_template(template) # 根据模板创建提示 prompt = prompt_temp.format(flower='玫瑰') # 打印提示的内容 print(prompt) #----第二步创建并调用模型 # 导入LangChain中的OpenAI模型接口 from langchain import OpenAI # 创建模型实例 model = OpenAI(temperature=0) # 传入提示，调用模型，返回结果 result = model(prompt) print(result)

1234567891011121314151617181920

此时Model I/O的实现分为两个部分，提示模板的构建和模型的调用独立处理。
如果使用链，代码结构则显得更简洁。

# 导入所需的库 from langchain import PromptTemplate, OpenAI, LLMChain # 原始字符串模板 template = "{flower}的花语是?" # 创建模型实例 llm = OpenAI(temperature=0) # 创建LLMChain llm_chain = LLMChain( llm=llm, prompt=PromptTemplate.from_template(template)) # 调用LLMChain，返回结果 result = llm_chain("玫瑰") print(result) 12345678910111213

链的调用方式

直接调用

如果你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。

prompt = PromptTemplate( input_variables=["flower", "season"], template="{flower}在{season}的花语是?", ) chain = LLMChain(llm=llm, prompt=prompt) print(chain({ 'flower': "玫瑰", 'season': "夏季" })) 12345678 通过run方法

通过run方法，也等价于直接调用_call_函数。
语句：

llm_chain("玫瑰") 1

等价于：

llm_chain.run("玫瑰") 1 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) 12 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。

# apply允许您针对输入列表运行链 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) 12345678 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) 12

Sequential Chain：顺序链

第一步，我们假设大模型是一个植物学家，让他给出某种特定鲜花的知识和介绍。第二步，我们假设大模型是一个鲜花评论者，让他参考上面植物学家的文字输出，对鲜花进行评论。第三步，我们假设大模型是易速鲜花的社交媒体运营经理，让他参考上面植物学家和鲜花评论者的文字输出，来写一篇鲜花运营文案。

导入所有需要的库

# 设置OpenAI API密钥 import os os.environ["OPENAI_API_KEY"] = '你的OpenAI API Key' from langchain.llms import OpenAI from langchain.chains import LLMChain from langchain.prompts import PromptTemplate from langchain.chains import SequentialChain 12345678

添加第一个LLMChain，生成鲜花的知识性说明。

# 这是第一个LLMChain，用于生成鲜花的介绍，输入为花的名称和种类 llm = OpenAI(temperature=.7) 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") 12345678910

添加第二个LLMChain，根据鲜花的知识性说明生成评论。

# 这是第二个LLMChain，用于根据鲜花的介绍写出鲜花的评论 llm = OpenAI(temperature=.7) 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") 12345678910

添加第三个LLMChain，根据鲜花的介绍和评论写出一篇自媒体的文案。

# 这是第三个LLMChain，用于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") 12345678910111213

最后，添加SequentialChain，把前面三个链串起来。

# 这是总的链，我们按顺序运行这三个链 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) 12345678910