LangChain在智能客服和高效文档处理的新利器：Router Chain与Transform Chain

最新推荐文章于 2024-08-11 16:32:41 发布

大靠山

最新推荐文章于 2024-08-11 16:32:41 发布

阅读量607

点赞数 17

文章标签： langchain android 网络 transformer 深度学习人工智能算法

本文链接：https://blog.csdn.net/m0_59235245/article/details/141001068

版权

在简单的大模型应用中，单独使用语言模型（LLMs）通常就能满足需求。然而，对于更加复杂的应用场景，我们需要将LLMs和Chat Models链接在一起，或者将它们与其他组件链接。这就是LangChain的强大之处，它通过Chain接口实现了这种“链式”应用程序的管理和编排。

在本文中，我们将重点讲解LangChain中的两个重要组件：Transform Chain和Router Chain。上期文章中，我们已经分享了LLMChain和Sequential Chain的使用方法。本期，我们将深入探讨Transform Chain如何实现快捷处理超长文本，以及Router Chain如何实现条件判断的大模型调用。

一、Transform Chain

1. Transform Chain：实现快捷处理超长文本

在实际业务中，处理超长文本是一个常见的需求。例如，在法律文档分析、客户服务记录处理等场景中，我们需要对超长文本进行分割、摘要或分类。Transform Chain可以帮助我们高效地完成这些任务。

Transform Chain通过对输入文本进行预处理，然后将处理后的文本传递给下一个链中的组件来实现这一点。下面是一个具体的业务场景：

场景示例：法律文档分析

假设我们有一个法律顾问系统，需要对客户上传的长篇法律文档进行分析并生成摘要。我们可以使用Transform Chain将超长文档分割成多个小段落，然后依次传递给LLM进行处理，最后将结果汇总。

from langchain.chains import TransformChain``from langchain.llms import OpenAI``from langchain.text_splitter import CharacterTextSplitter``   ``# 初始化文本分割器``text_splitter = CharacterTextSplitter(separator="\n\n", chunk_size=1000, chunk_overlap=200)``   ``# 初始化语言模型``llm = OpenAI(api_key="your_openai_api_key")``   ``# 定义Transform Chain``def text_transformer(inputs):`    `texts = text_splitter.split_text(inputs['text'])`    `return {'texts': texts}``   ``transform_chain = TransformChain(transformer=text_transformer, llm=llm)``   ``# 处理输入文本``input_text = "这是一个超长的法律文档..."``result = transform_chain.run({'text': input_text})``

2. 使用Sequential Chain编排

在处理完超长文本后，我们可以使用Sequential Chain将结果进行进一步处理。例如，我们可以对每个段落的分析结果进行汇总，生成一个综合的摘要报告。

from langchain.chains import SequentialChain``   ``# 定义后续处理链``def summarizer_chain(inputs):`    `summaries = [llm.predict(text) for text in inputs['texts']]`    `return {'summary': "\n".join(summaries)}``   ``# 创建Sequential Chain``sequential_chain = SequentialChain(chains=[transform_chain, summarizer_chain])``   ``# 生成最终摘要``final_result = sequential_chain.run({'text': input_text})``

二、Router Chain：实现条件判断的大模型调用

1. Router Chain构建一个可定制的链路系统

Router Chain使我们能够根据不同的输入提示，调用适当的LLMChain。它的主要逻辑是：从prompt_infos创建多个LLMChain对象，并将它们保存在一个字典中，然后创建一个默认的ConversationChain，最后创建一个带有路由功能的MultiPromptChain。

场景示例：智能客服系统

在一个智能客服系统中，我们需要根据用户的不同问题类型调用不同的模型来生成回应。例如，对于技术支持问题调用技术支持模型，对于订单查询问题调用订单查询模型。

from langchain.chains import MultiPromptChain, LLMChain, ConversationChain``from langchain.prompts import PromptTemplate``   ``# 定义不同的提示信息和对应的LLMChain``prompt_infos = {`    `"tech_support": PromptTemplate(template="技术支持：{query}"),`    `"order_query": PromptTemplate(template="订单查询：{query}")``}``   ``llm_chains = {key: LLMChain(prompt=prompt, llm=llm) for key, prompt in prompt_infos.items()}``default_chain = ConversationChain(llm=llm)``   ``# 创建MultiPromptChain``multi_prompt_chain = MultiPromptChain(prompt_infos=llm_chains, default_chain=default_chain)``   ``# 处理用户输入``user_input = "我想查询我的订单状态"``response = multi_prompt_chain.run({'query': user_input})``

2. 使用LLMRouterChain实现条件判断调用

我们可以定义一个LLMRouterChain对象，该对象首先使用router_chain来决定哪个destination_chain应该被执行，如果没有合适的目标链，则默认使用default_chain。

from langchain.chains import LLMRouterChain``   ``# 定义Router Chain``router_chain = LLMRouterChain(prompt_infos=llm_chains, default_chain=default_chain)``   ``# 根据条件判断调用适当的链``response = router_chain.run({'query': user_input})``

通过Transform Chain和Router Chain，LangChain提供了强大的工具来处理复杂的业务场景。无论是处理超长文本，还是实现条件判断的大模型调用，LangChain都能帮助我们构建高效、智能的应用程序。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述