Chain Class 基类

最新推荐文章于 2025-07-27 16:51:56 发布

兔兔爱学习兔兔爱学习

最新推荐文章于 2025-07-27 16:51:56 发布

阅读量914

点赞数 7

CC 4.0 BY-SA版权

分类专栏： langchain 文章标签：人工智能 langchain

本文链接：https://blog.youkuaiyun.com/weixin_44245188/article/details/147442990

langchain 专栏收录该内容

2 篇文章

订阅专栏

Chain Class 基类

类继承关系：

Chain --> <name>Chain  # Examples: LLMChain, MapReduceChain, RouterChain

代码实现：https://github.com/langchain-ai/langchain/blob/master/libs/langchain/langchain/chains/base.py

# 定义一个名为Chain的基础类
class Chain(Serializable, Runnable[Dict[str, Any], Dict[str, Any]], ABC):
    """为创建结构化的组件调用序列的抽象基类。
    
    链应该用来编码对组件的一系列调用，如模型、文档检索器、其他链等，并为此序列提供一个简单的接口。
    
    Chain接口使创建应用程序变得容易，这些应用程序是：
    - 有状态的：给任何Chain添加Memory可以使它具有状态，
    - 可观察的：向Chain传递Callbacks来执行额外的功能，如记录，这在主要的组件调用序列之外，
    - 可组合的：Chain API足够灵活，可以轻松地将Chains与其他组件结合起来，包括其他Chains。
    
    链公开的主要方法是：
    - `__call__`：链是可以调用的。`__call__`方法是执行Chain的主要方式。它将输入作为一个字典接收，并返回一个字典输出。
    - `run`：一个方便的方法，它以args/kwargs的形式接收输入，并将输出作为字符串或对象返回。这种方法只能用于一部分链，不能像`__call__`那样返回丰富的输出。
    """

    # 调用链
    def invoke(
        self, input: Dict[str, Any], config: Optional[runnableConfig] = None
    ) -> Dict[str, Any]:
        """传统调用方法。"""
        return self(input, **(config or {}))

    # 链的记忆，保存状态和变量
    memory: Optional[BaseMemory] = None
    """可选的内存对象，默认为None。
    内存是一个在每个链的开始和结束时被调用的类。在开始时，内存加载变量并在链中传递它们。在结束时，它保存任何返回的变量。
    有许多不同类型的内存，请查看内存文档以获取完整的目录。"""

    # 回调，可能用于链的某些操作或事件。
    callbacks: Callbacks = Field(default=None, exclude=True)
    """可选的回调处理程序列表（或回调管理器）。默认为None。
    在对链的调用的生命周期中，从on_chain_start开始，到on_chain_end或on_chain_error结束，都会调用回调处理程序。
    每个自定义链可以选择调用额外的回调方法，详细信息请参见Callback文档。"""

    # 是否详细输出模式
    verbose: bool = Field(default_factory=_get_verbosity)
    """是否以详细模式运行。在详细模式下，一些中间日志将打印到控制台。默认值为`langchain.verbose`。"""

    # 与链关联的标签
    tags: Optional[List[str]] = None
    """与链关联的可选标签列表，默认为None。
    这些标签将与对这个链的每次调用关联起来，并作为参数传递给在`callbacks`中定义的处理程序。
    你可以使用这些来例如识别链的特定实例与其用例。"""

    # 与链关联的元数据
    metadata: Optional[Dict[str, Any]] = None
    """与链关联的可选元数据，默认为None。
    这些元数据将与对这个链的每次调用关联起来，并作为参数传递给在`callbacks`中定义的处理程序。
    你可以使用这些来例如识别链的特定实例与其用例。"""

LLMChain

LLMChain 是 LangChain 中最简单的链，作为其他复杂 Chains 和 Agents 的内部调用，被广泛应用。

一个LLMChain由PromptTemplate和语言模型（LLM or Chat Model）组成。它使用直接传入（或 memory 提供）的 key-value 来规范化生成 Prompt Template（提示模板），并将生成的 prompt （格式化后的字符串）传递给大模型，并返回大模型输出。

在这里插入图片描述
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate

llm = OpenAI(temperature=0.9, max_tokens=500)

prompt = PromptTemplate(
input_variables=[“product”],
template=“给制造{product}的有限公司取10个好名字，并给出完整的公司名称”,
)

from langchain.chains import LLMChain

chain = LLMChain(llm=llm, prompt=prompt)
print(chain.run({
‘product’: “性能卓越的GPU”
}))

chain.verbose = True

print(chain.run({
‘product’: “性能卓越的GPU”
}))

Sequential Chain

串联式调用语言模型（将一个调用的输出作为另一个调用的输入）。

顺序链（Sequential Chain ）允许用户连接多个链并将它们组合成执行特定场景的流水线（Pipeline）。有两种类型的顺序链：

SimpleSequentialChain：最简单形式的顺序链，每个步骤都具有单一输入/输出，并且一个步骤的输出是下一个步骤的输入。
SequentialChain：更通用形式的顺序链，允许多个输入/输出。

使用 SimpleSequentialChain 实现戏剧摘要和评论（单输入/单输出）

在这里插入图片描述

这是一个 LLMChain，用于根据剧目的标题撰写简介。

llm = OpenAI(temperature=0.7, max_tokens=1000)

template = “”"你是一位剧作家。根据戏剧的标题，你的任务是为该标题写一个简介。

标题：{title}
剧作家：以下是对上述戏剧的简介：“”"

prompt_template = PromptTemplate(input_variables=[“title”], template=template)
synopsis_chain = LLMChain(llm=llm, prompt=prompt_template)

这是一个LLMChain，用于根据剧情简介撰写一篇戏剧评论。

llm = OpenAI(temperature=0.7, max_tokens=1000)

template = “”"你是《纽约时报》的戏剧评论家。根据剧情简介，你的工作是为该剧撰写一篇评论。

剧情简介：
{synopsis}

以下是来自《纽约时报》戏剧评论家对上述剧目的评论：“”"

prompt_template = PromptTemplate(input_variables=[“synopsis”], template=template)
review_chain = LLMChain(llm=llm, prompt=prompt_template)

在这里插入图片描述

这是一个SimpleSequentialChain，按顺序运行这两个链

from langchain.chains import SimpleSequentialChain

overall_chain = SimpleSequentialChain(chains=[synopsis_chain, review_chain], verbose=True)

review = overall_chain.run(“三体人不是无法战胜的”)

review = overall_chain.run(“星球大战第九季”)
在这里插入图片描述

# 这是一个 LLMChain，根据剧名和设定的时代来撰写剧情简介。

llm = OpenAI(temperature=.7, max_tokens=1000)
template = “”"你是一位剧作家。根据戏剧的标题和设定的时代，你的任务是为该标题写一个简介。

标题：{title}
时代：{era}
剧作家：以下是对上述戏剧的简介：“”"

prompt_template = PromptTemplate(input_variables=[“title”, “era”], template=template)

output_key

synopsis_chain = LLMChain(llm=llm, prompt=prompt_template, output_key=“synopsis”, verbose=True)

这是一个LLMChain，用于根据剧情简介撰写一篇戏剧评论。

template = “”"你是《纽约时报》的戏剧评论家。根据该剧的剧情简介，你需要撰写一篇关于该剧的评论。

剧情简介：
{synopsis}

来自《纽约时报》戏剧评论家对上述剧目的评价：“”"

prompt_template = PromptTemplate(input_variables=[“synopsis”], template=template)
review_chain = LLMChain(llm=llm, prompt=prompt_template, output_key=“review”, verbose=True)

from langchain.chains import SequentialChain

m_overall_chain = SequentialChain(
chains=[synopsis_chain, review_chain],
input_variables=[“era”, “title”],
# Here we return multiple variables
output_variables=[“synopsis”, “review”],
verbose=True)

m_overall_chain({“title”:“三体人不是无法战胜的”, “era”: “二十一世纪的新中国”})