LangChain学习三：链-实战

文章目录

• 上一节内容：LangChain学习二：提示-实战（下半部分）
• 学习目标：明白链是什么？有哪些？怎么用？
• 学习内容一：介绍
• 学习内容二：有那些
• 学习内容三：实战

• 3.1 LLMChain

• 3.1.1 声明：接入大模型、声明PromptTemplate、LLMChain
• 3.1.2 送入大模型
• 3.1.3.多个参数

• 3.2 顺序链

上一节内容：LangChain学习二：提示-实战（下半部分）

LangChain学习二：提示-实战（下半部分）

学习目标：明白链是什么？有哪些？怎么用？

---

学习内容一：介绍

  链允许我们将多个组件组合在一起，创建一个单一的、一致的应用程序。

例如，我们可以创建一个链，该链接接受用户输入，使用 PromptTemplate 对其进行格式化，然后将格式化后的响应传递给 LLM。我们可以通过将多个链组合在一起，或者通过将链与其他组件组合在一起，来构建更复杂的链。

学习内容二：有那些

• LLMChain：是一个简单的链，它接受一个提示模板，使用用户输入对其进行格式化，并从 LLM 返回响应。
• 
  

学习内容三：实战

3.1 LLMChain

LLMChain：是一个简单的链，它接受一个提示模板，使用用户输入对其进行格式化，并从 LLM 返回响应。

3.1.1 声明：接入大模型、声明PromptTemplate、LLMChain

from langchain.prompts import PromptTemplate

from langchain.chat_models import ChatOpenAI
llm=ChatOpenAI(
            streaming=True,
            verbose=True,
            temperature=0,
            # callbacks=[callback],
            openai_api_key='none',
            openai_api_base='http://localhost:8000/v1',
            model_name="Qwen-7B-Chat"
        )
prompt = PromptTemplate(
    input_variables=["product"],
    template="一个制造{product}产品的公司的好名字是什么?中文",
)

from langchain.chains import LLMChain
# 将llm和prompt 进行和LLMChain关联
chain = LLMChain(llm=llm, prompt=prompt)

3.1.2 送入大模型

#只运行指定输入变量的链
print(chain.run("各种颜色的袜子"))

当然上面我们直接用PromptTemplate模板的，如果是聊天模型，可以是以下做法

from langchain.prompts import PromptTemplate

from langchain.chat_models import ChatOpenAI
llm=ChatOpenAI(
            streaming=True,
            verbose=True,
            temperature=0,
            # callbacks=[callback],
            openai_api_key='none',
            openai_api_base='http://localhost:8000/v1',
            model_name="Qwen-7B-Chat"
        )
from langchain.prompts.chat import (
    ChatPromptTemplate,
    HumanMessagePromptTemplate,
)
human_message_prompt = HumanMessagePromptTemplate(
        prompt=PromptTemplate(
            template="一个制造{product}产品的公司的好名字是什么?中文",
            input_variables=["product"],
        )
    )
chat_prompt_template = ChatPromptTemplate.from_messages([human_message_prompt])
from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=chat_prompt_template)
print(chain.run("各种颜色的袜子"))

效果也是一样的

3.1.3.多个参数

在上面的情况我们只是定义了一个product变量，如果我们有多个变量呢,这时候我们可以传一个字典进去
字典格式{‘变量名’:变量值，‘变量名’:变量值}

• chain.run(字典)：直接出结果
• chain(inputs=字典)：变量和结果，可以return_only_outputs=True 只输出结果

from langchain.prompts import PromptTemplate

from langchain.chat_models import ChatOpenAI
llm=ChatOpenAI(
            streaming=True,
            verbose=True,
            temperature=0,
            # callbacks=[callback],
            openai_api_key='none',
            openai_api_base='http://localhost:8000/v1',
            model_name="Qwen-14B-Chat"
        )
from langchain.prompts.chat import (
    ChatPromptTemplate,
    HumanMessagePromptTemplate,
)
human_message_prompt = HumanMessagePromptTemplate(
        prompt=PromptTemplate(
            template="一个制造{product}产品的{name}公司的好名字是什么?中文",
            input_variables=["product","name"],
        )
    )
chat_prompt_template = ChatPromptTemplate.from_messages([human_message_prompt])
from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=chat_prompt_template)

print(chain.run({'product':"食品",'name':"提供"}))

out=chain(inputs={'product':"食品",'name':"提供"})

print(out)

out=chain(inputs={'product':"食品",'name':"提供"},return_only_outputs=True)

print(out)

3.2 顺序链

未完成待续