LangChain 链(学习笔记)

• LangChain 链(学习笔记)
  • 简介
  • 最基础的链 LLMChain
  • LangChainHub
    • Hello World链
    • 从LangChainHub加载链
      • 加载
      • 提问
  • 总结
  • 相关文档资料链接

单一的LLM对于简单的应用场景已经足够，但是更复杂的应用程序需要将LLM串联在一起，需要多LLM协同工作。

简介

LangChain提出了 链 的概念，为这种“链式”应用程序提供了 Chain 接口。
Chain 定义组件的调用序列，其中可以包括其他链。
链大大简化复杂应用程序的实现，并使其模块化，这也使调试、维护和改进应用程序变得更容易。

最基础的链 LLMChain

LLMChain 是 LangChain 中最基础的链。
本课就从 LLMChain 开始，学习链的使用。

LLMChain 接受如下组件：

• LLM
• 提示词模版

LLMChain 返回LLM的回复。
在第二讲中我们学习了OpenAI LLM的使用。
现在我们基于OpenAI LLM，利用 LLMChain 尝试构建自己第一个链。
1.准备必要的组件

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
llm = OpenAI(temperature=0, openai_api_key="您的有效openai ai key")
prompt = PromptTemplate(
    input_variables=["color"],
    template="What is the hex code of color {color}?",
)

2.基于组件创建 LLMChain 实例
我们要创建的链，基于提示词模版，提供基于颜色名字询问对应的16进制代码的能力。

from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)

3.基于链提问
现在我们利用创建的 LLMChain 实例提问。

print(chain.run("green"))
print(chain.run("cyan"))
print(chain.run("magento"))

你应该期望如下输出：

LangChainHub

LangChainHub 收集并分享用于处理 LangChain 基本元素（提示词，链，和代理等）。
本讲，我们介绍 LangChainHub 中分享的链的使用。

Hello World链

代码仓库：https://github.com/hwchase17/langchain-hub/blob/master/chains/hello-world/
链定义：https://github.com/hwchase17/langchain-hub/blob/master/chains/hello-world/chain.json
定义的原始内容：

{
    "memory": null,
    "verbose": false,
    "prompt": {
        "input_variables": [
            "topic"
        ],
        "output_parser": null,
        "template": "Tell me a joke about {topic}:",
        "template_format": "f-string",
        "_type": "prompt"
    },
    "llm": {
        "model_name": "text-davinci-003",
        "temperature": 0.9,
        "max_tokens": 256,
        "top_p": 1,
        "frequency_penalty": 0,
        "presence_penalty": 0,
        "n": 1,
        "best_of": 1,
        "request_timeout": null,
        "logit_bias": {},
        "_type": "openai"
    },
    "output_key": "text",
    "_type": "llm_chain"
}

这条链，使用如下组件：
1.提示词模版 - 请求LLM回答一个 topic 参数指定的话题的笑话
2.LLM - OpenAI的 text-davince-003 模型（包括模型相关参数的设置）

从LangChainHub加载链

本课以链LLM-Math为例，介绍如何从 LangChainHub 加载链并使用它。
这是一个使用LLM和Python REPL来解决复杂数学问题的链。

加载

使用 load_chain 函数从hub加载。

from langchain.chains import load_chain
import os
os.environ['OPENAI_API_KEY'] = "您的有效openai api key"
chain = load_chain("lc://chains/llm-math/chain.json")

提问

现在我们可以基于这个链提问。

# 半径为2的圆的面积是多少？
chain.run("whats the area of a circle with radius 2?")

你应该期望如下输出：

总结

本节课程中，我们学习了LangChain 提出的最重要的概念 - 链（Chain） ，介绍了如何使用链，并分享了如何利用开源社区的力量 - 从 LangChainHub 加载链，让LLM开发变得更加轻松。

相关文档资料链接

Python Langchain官方文档
LangChain Hub
五里墩茶社