【橘子大模型】Lambda Runnable的操作_runnerablelamda-优快云博客

一、简介

我们在前面写了这么一个代码：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from pydantic import BaseModel, Field, model_validator
from typing import List

# 1、构建第一个chain的模板，根据这个模板让大模型为我们输出一个他作为cityMajor的专家的一个当前经济环境的结果。
getRespPromptTemplate = ChatPromptTemplate([
    ("system", "假如你是一个研究{cityMajor}的专家。"),
    ("human", "介绍一下当前的经济环境，不要思考过程。"),
])
# 2、构建第一个chain，先获取模板，发给llm，最后结果通过一个字符串的parser解析输出为字符串
getRespChain =  getRespPromptTemplate | llm | StrOutputParser()
# 3、构建第二个chain的模板，这个模板有一个参数，就是上一个chain的输出作为输入，分析其中的内容，我们只要结果的标题小点的总结
getHeadingPromptTemplate = ChatPromptTemplate.from_template("""
                                              分析{resp}，并且仅仅获取其中的每一点的标题,注意只获取每一点的标题,不要后面的描述，我只要标题点，并且不要思考过程
                                              """)
"""
4、构建第二个chain，第二个chain首先我们要把第一个chain的结果当成第一步传递给getHeadingPromptTemplate
因为getHeadingPromptTemplate需要第一个的结果去填充{resp},所以我们构建一个{}的map结构，得到第一个chain的输出给getHeadingPromptTemplate
getHeadingPromptTemplate填充完了发给llm
最后以字符串输出解析器解析为字符串。
"""
getHeadingChain = {
   
   "resp":getRespChain} | getHeadingPromptTemplate | llm | StrOutputParser()

# 执行最后的chain，然后把第一个chain的参数可以传进去，此时他们是一个chain了，可以这么传
resp = getHeadingChain.invoke({
   
   "cityMajor":"山西经济"} )
print