【笔记】LangChain最关键的构建模块——链Chain

学习资料来源：基于LangChain的大语言模型应用开发4——链_哔哩哔哩_bilibili

链通常将大语言模型与提示词结合在一起。有了链，还可以将一堆这样的构建模块组合在一起，对文本或其他数据按顺序进行操作。

import os
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv()) # read loval .env file

import pandas as pd
df = pd.read_csv('Data.csv') # 加载一些数据

df.head()

这些行中的每一行都是一个不同的数据记录，我们可以开始通过我们的链进行传递。这些链的强大的地方在于，它们可以一次处理多个输入。

（1）LLMChain

这是一个简单但非常强大的链，后面介绍的许多链都能够支持。

from langchain.chat_models import ChatOpenAI  # 导入OpenAI模型，LLM
from langchain.prompts import ChatPromptTemplate  # 提示词相关
from langchain.chains import LLMChain

首先初始化我们的语言模型。我们先用一个比较高的temperature值初始化ChatOpenAI。

llm = ChatOpenAI(temperature=0.9)

通过初始化提示词模板，接收名为product的变量。要求LLM根据产品名称，为制作该产品的公司取一个最佳的名字。

prompt = ChatPromptTemplate.from_template(
    "What is the best name to describe a company that makes {product}? "
)

最后，我们把二者结合成为一条链，就是LLM和提示词模板的结合，将提示词模版和LLM按顺序连接起来。

chain = LLMChain(llm = llm, prompt = prompt)

如果我们有一个名为“双人床床单套装”的产品，我们可以通过使用“chain.run”将它传入链，并运行链。

product = "Queen Size Sheet Set"
chain.run(product)

它会在后台格式化提示词，并将格式化后的提示词传给LLM。可以看到已经起了一个名字。