AI大模型agent开发之chains

新版langchain中已经弃用了LLMChain等内置链的组装和框架，取而代之的是使用 runables包中内置的类和方法 来构建更灵活的链，其中最主要的方法是RunablesSequence,RunnableLambda和RunnableMap。

一：RunnablesSenquence

RunnablesSenquence可以直接实例化，更常用的方式是使用|运算符实例化，其中左操作数或右操作数（或两者）必须是 Runnable，任何 RunnableSequence 都会自动支持同步、异步、批处理。batch 和 abatch 的默认实现利用线程池和 asyncio 收集，并且比对 IO 绑定 Runnable 的invoke 或 ainvoke 的简单调用更快。通过按顺序调用 RunnableSequence 的每个组件上的 batch 方法来实现批处理。RunnableSequence 保留其组件的流式传输属性，因此如果序列的所有组件都实现了转换方法（即实现将流式传输输入映射到流式传输输出的逻辑的方法），那么序列将能够将输入流式传输到输出！如果序列的任何组件未实现转换，则只有在运行此组件后才会开始流式传输。如果有多个阻塞组件，则流式传输将在最后一个组件之后开始。

二：RunnableLambda

RunnableLambda将 Python 可调用函数转换为 Runnable。将可调用函数包装在 RunnableLambda 中可使可调用函数在同步或异步上下文中可用。RunnableLambda 可以像任何其他 Runnable 一样组合，并提供与 LangChain 跟踪的无缝集成。RunnableLambda不支持流式传输代码，如果要传输流式数据代码需要使用RunnableGenerator。

三： RunnableMap

RunnableMap是RunnableParallel 的别名，RunnableParallel 是 LCEL 的两个主要组合原语之一，与 RunnableSequence 并列。它同时调用 Runnable，为每个 Runnable 提供相同的输入。RunnableParallel 可以直接实例化，也可以通过使用序列中的字典文字来实例化。

通过对RunnableLambda和RunnableMap的组合使用可以实现大模型顺序链式模块的功能。

    # 顺序链
    def seq\_chain(self):
        # 链一任务：翻译成中文
        first\_chain = RunnableLambda(
            lambda content: self.llm.invoke(str(self.prompt\[0\].invoke(content))),
            afunc\=lambda content: self.llm.ainvoke(str(self.prompt\[0\].invoke(content)))  # 如果需要异步支持
        )

        # 链二任务：对翻译的中文进行总结
        second\_chain = RunnableLambda(
            lambda chinese\_review: self.llm.invoke(str(self.prompt\[1\].invoke(chinese\_review))),
            afunc\=lambda chinese\_review: self.llm.ainvoke(str(self.prompt\[1\].invoke(chinese\_review)))
        )

        # 链三任务：智能识别语言
        third\_chain = RunnableLambda(
            lambda summary: self.llm.invoke(str(self.prompt\[2\].invoke(summary))),
            afunc\=lambda summary: self.llm.ainvoke(str(self.prompt\[2\].invoke(summary)))
        )

        # 链四任务：针对摘要使用语言进行评论
        four\_chain = RunnableLambda(
            lambda language: self.llm.invoke(str(self.prompt\[3\].invoke(language))),
            afunc\=lambda language: self.llm.ainvoke(str(self.prompt\[3\].invoke(language)))
        )

        # 使用 RunnableMap 来串联所有任务
        overall\_chain = RunnableMap(
            {
                "Chinese\_Rview": first\_chain,
                "Chinese\_Summary": second\_chain,
                "Language": third\_chain,
                "Reply": four\_chain
            }
        )

        # 读取文件
        content = self.question

        # 依次调用各个链
        ans = overall\_chain.invoke(content)
        print(f"chains answer: {ans}")

        return ans

每个链都使用 RunnableLambda 来定义其执行逻辑。输入被传递给下一个链的输入。所有的 RunnableLambda 被组合在 RunnableMap 中，这样可以按照顺序执行，并且方便管理每个链的输出。

通过对RunnableLambda的使用可以实现路由链，设置俩种完全不同的提示词模版，根据问题的不同，使其可以路由到对应的链中，从而返回准确的答案。

        # 路由链
    def route\_chain(self):
        # 模版格式化
        prompt\_infos = \[
            {
                "name": "economy",
                "description": "Good at answering economic questions",
                "prompt\_template": self.prompt\[0\],
            },
            {
                "name": "zhouyi",
                "description": "Good at fortune telling",
                "prompt\_template": self.prompt\[1\],
            },
        \]

        # 创建提示链
        description\_chains = {}
        for p\_info in prompt\_infos:
            name \= p\_info\["name"\]
            prompt\_template \= p\_info\["prompt\_template"\]
            prompt \= PromptTemplate(template=prompt\_template, input\_variables=\["input"\])

            # 使用 RunnableLambda 创建每个提示链
            chain = RunnableLambda(lambda input\_value: self.llm.invoke(str(prompt.invoke(input\_value))))
            description\_chains\[name\] \= chain

        # 使用 Router 模板生成路由提示
        destinations = \[f"{p\['name'\]}: {p\['description'\]}" for p in prompt\_infos\]
        destinations\_str \= "\\n".join(destinations)
        router\_template \= MULTI\_PROMPT\_ROUTER\_TEMPLATE.format(destinations=destinations\_str)
        router\_prompt \= PromptTemplate(template=router\_template, input\_variables=\["input"\])

        # 创建路由链
        router\_chain = RunnableLambda(lambda input\_value: self.llm.invoke(str(router\_prompt.invoke(input\_value))))

        # 创建默认链
        default\_chain = RunnableLambda(lambda input\_value: self.llm.invoke(str(input\_value)))  # 假设默认链是直接调用 LLM

        # 创建 MultiPromptChain
        chains = RunnableLambda(
            lambda input\_value: (
                description\_chains.get(self.route(input\_value), router\_chain).invoke(input\_value)
            ),
            afunc\=lambda input\_value: (
                description\_chains.get(self.route(input\_value), default\_chain).invoke(input\_value)
            )
        )

        # 运行链
        ans = chains.invoke(self.question)
        print(f"chains answer: {ans}")

    def route(self, input\_value):
        # 示例路由逻辑
        if "economics" in input\_value:
            return "economy"
        elif "zhouyi" in input\_value:
            return "zhouyi"
        else:
            return None  # 或者返回默认链的名称

self.route(input_value) 来决定将输入内容发送到哪个链中，这里self.route(input_value) 返回的字符串将用于查找 description_chains 字典中的相应链。如果没有找到，就会使用 default_chain 作为备选处理。

程序员为什么要学大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​