LangChain学习笔记：三、链Chain的使用

已于 2023-10-25 15:18:18 修改
阅读量452 收藏 2
点赞数 1
文章标签： langchain 学习 笔记
于 2023-10-25 11:34:30 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/walker_skill/article/details/134029545
版权

前言

官方文档：链（Chains)

做一件事需要很多个步骤，而每一个步骤都是问题处理流程上的节点。将这些节点串联或并联起来就形成了解决问题的“链”。

对于简单问题，通常一个节点即可完成，而一旦涉及到复杂问题处理，则需要连接各种各样的链了。

一点尝试

我们沿用上一节的模板测试，同样的模板内容，除了直接复制文字进行提问外，还可以使用封装好的模板，通过chain来调用

import include
from langchain.chat_models import ChatOpenAI
from langchain import LLMChain
from langchain.chains.retrieval_qa.prompt import PROMPT

# 使用的模型
chat = ChatOpenAI(
    model="gpt-35-turbo",
    model_kwargs={"deployment_id": "gpt-35-turbo"},
    temperature=0.5
)
# 给出的context
context = """
充值金额    charge_money
退款金额    refund_money
广告费      ad_money
充值人数    charge_people
登陆人数    login_people
"""
# 创建链，这里的prompt使用了langchain包里自带的QA模板，在第一节学习笔记中有贴出来过内容
chain = LLMChain(llm=chat, prompt=PROMPT)
# 模板里有变量占位符question和context，所以这里指定这两个参数
rs = chain.run(question="和金额有关的指标有哪些？", context=context)
print(rs)

充值金额、退款金额、广告费。

Process finished with exit code 0

这样就完成了一个最简单的chain。

做一个自己的链

步骤一

接着上一节，对语言识别成指标的prompt也做一点改造，功能是：解析自然语言，转换为对应格式Json

import include
from langchain import LLMChain, PromptTemplate
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-35-turbo",
    model_kwargs={"deployment_id": "gpt-35-turbo"},
    temperature=0,
)
# 示例
example = """
example:
Sentence:星穹铁道2022年8月充值金额、退款金额、广告费，按天、渠道
Result:
{
	"metas": ["充值金额", "退款金额", "广告费"],
	"dims": ["天", "渠道"],
	"filters": {"游戏":"凡人修仙传", "时间":"2022年8月"}
}
"""
# 模板内容，使用了format_instructions和question占位符
template = """Recognize all the meta names, dimension names, and filters in the given sentence, return them in json format. 

{format_instructions}

Sentence: {question}
Result:"""
# 限定模板接收的输入question，对format_instructions使用示例example填充
prompt_template = PromptTemplate(
    input_variables=["question"],
    partial_variables={"format_instructions": example},
    template=template,
)
# verbose开启调试日志
split_chain = LLMChain(llm=llm, prompt=prompt_template, verbose=True)
result = split_chain.run("凡人修仙传2023年上半年的广告费、渠道费、税费，按自然月、平台、服务器")
print(result)

给出了链的完整处理流程和对话内容

> Entering new LLMChain chain...
Prompt after formatting:
Recognize all the meta names, dimension names, and filters in the given sentence, return them in json format. 


example:
Sentence:星穹铁道2022年8月充值金额、退款金额、广告费，按天、渠道
Result:
{
	"metas": ["充值金额", "退款金额", "广告费"],
	"dims": ["天", "渠道"],
	"filters": {"游戏":"凡人修仙传", "时间":"2022年8月"}
}


Sentence: 凡人修仙传2023年上半年的广告费、渠道费、税费，按自然月、平台、服务器
Result:

> Finished chain.
{
	"metas": ["广告费", "渠道费", "税费"],
	"dims": ["自然月", "平台", "服务器"],
	"filters": {"游戏":"凡人修仙传", "时间":"2023年上半年"}
}

Process finished with exit code 0

步骤二

对自然语言形成的Json做转码，换成我们自己定义的内容。

import include
from langchain import LLMChain, PromptTemplate
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-35-turbo",
    model_kwargs={"deployment_id": "gpt-35-turbo"},
    temperature=0,
)

# 这里预先给出一些指标和维度的定义，并告诉AI要换掉他们，时间也要换成start_date和end_date
template = """Use the following pieces of context, convert mata and dimension and filter names to code. Convert the filters '时间' into start_date and end_date.

指标：
充值金额    charge_money
退款金额    refund_money
广告费   ad_fee
渠道费   channel_fee
税费     tax_fee

维度：
自然月   month
天   day
游戏  game
平台  platform
服务器 server

{format_instructions}

{inputs}

Result:"""

example = """
example:

{
	"metas": ["充值金额", "退款金额"],
	"dims": ["天"],
	"filters": {"时间":"2023年","游戏":"109,110"}
}

Result:
{
	"metas": ["charge_money", "refund_money"],
	"dims": ["day"],
	"filters": {"start_date":"2023-01-01 00:00:00", "end_date":"2023-12-31 23:59:59", "game": "109,110"}
}
"""

prompt_template = PromptTemplate(
    input_variables=["inputs"],
    partial_variables={"format_instructions": example},
    template=template,
)
convert_chain = LLMChain(llm=llm, prompt=prompt_template, verbose=True)

question = """
{
	"metas": ["广告费", "渠道费", "税费"],
	"dims": ["自然月", "平台", "服务器"],
	"filters": {"游戏":"凡人修仙传", "时间":"2023年上半年"}
}
"""
result = convert_chain.run(question)
print(result)

运行结果

> Entering new LLMChain chain...
Prompt after formatting:
Use the following pieces of context, convert mata and dimension and filter names to code. Convert the filters '时间' into start_date and end_date.

指标：
充值金额    charge_money
退款金额    refund_money
广告费   ad_fee
渠道费   channel_fee
税费     tax_fee

维度：
自然月   month
天   day
游戏  game
平台  platform
服务器 server


example:

{
	"metas": ["充值金额", "退款金额"],
	"dims": ["天"],
	"filters": {"时间":"2023年","游戏":"109,110"}
}

Result:
{
	"metas": ["charge_money", "refund_money"],
	"dims": ["day"],
	"filters": {"start_date":"2023-01-01 00:00:00", "end_date":"2023-12-31 23:59:59", "game": "109,110"}
}

{
	"metas": ["广告费", "渠道费", "税费"],
	"dims": ["自然月", "平台", "服务器"],
	"filters": {"游戏":"凡人修仙传", "时间":"2023年上半年"}
}

Result:

> Finished chain.
{
	"metas": ["ad_fee", "channel_fee", "tax_fee"],
	"dims": ["month", "platform", "server"],
	"filters": {"start_date":"2023-01-01 00:00:00", "end_date":"2023-06-30 23:59:59", "game": "凡人修仙传"}
}

Process finished with exit code 0

步骤三

将前面两个链串起来，这里使用LangChain提供的顺序链

from langchain.chains import SimpleSequentialChain

# 这里的split_chain和convert_chain就是上面两段示例中的同名变量链，这里就不再复制一遍代码了
overall_chain = SimpleSequentialChain(chains=[split_chain, convert_chain], verbose=True)
result = overall_chain.run("凡人修仙传2023年上半年的广告费、渠道费、税费，按自然月、平台、服务器")
print(result)

运行结果，将两个链条中的处理流程串起来了，前一个链的输出成为了后一个链的输入。

> Entering new SimpleSequentialChain chain...


> Entering new LLMChain chain...
Prompt after formatting:
Recognize all the meta names, dimension names, and filters in the given sentence, return them in json format. 


example:
Sentence:星穹铁道2022年8月充值金额、退款金额、广告费，按天、渠道
Result:
{
	"metas": ["充值金额", "退款金额", "广告费"],
	"dims": ["天", "渠道"],
	"filters": {"游戏":"凡人修仙传", "时间":"2022年8月"}
}


Sentence: 凡人修仙传2023年上半年的广告费、渠道费、税费，按自然月、平台、服务器
Result:

> Finished chain.
{
	"metas": ["广告费", "渠道费", "税费"],
	"dims": ["自然月", "平台", "服务器"],
	"filters": {"游戏":"凡人修仙传", "时间":"2023年上半年"}
}


> Entering new LLMChain chain...
Prompt after formatting:
Use the following pieces of context, convert mata and dimension and filter names to code. Convert the filters '时间' into start_date and end_date.

指标：
充值金额    charge_money
退款金额    refund_money
广告费   ad_fee
渠道费   channel_fee
税费     tax_fee

维度：
自然月   month
天   day
游戏  game
平台  platform
服务器 server


example:

{
	"metas": ["充值金额", "退款金额"],
	"dims": ["天"],
	"filters": {"时间":"2023年","游戏":"109,110"}
}

Result:
{
	"metas": ["charge_money", "refund_money"],
	"dims": ["day"],
	"filters": {"start_date":"2023-01-01 00:00:00", "end_date":"2023-12-31 23:59:59", "game": "109,110"}
}


{
	"metas": ["广告费", "渠道费", "税费"],
	"dims": ["自然月", "平台", "服务器"],
	"filters": {"游戏":"凡人修仙传", "时间":"2023年上半年"}
}

Result:

> Finished chain.
{
	"metas": ["ad_fee", "channel_fee", "tax_fee"],
	"dims": ["month", "platform", "server"],
	"filters": {"start_date":"2023-01-01 00:00:00", "end_date":"2023-06-30 23:59:59", "game": "凡人修仙传"}
}

> Finished chain.
{
	"metas": ["ad_fee", "channel_fee", "tax_fee"],
	"dims": ["month", "platform", "server"],
	"filters": {"start_date":"2023-01-01 00:00:00", "end_date":"2023-06-30 23:59:59", "game": "凡人修仙传"}
}

Process finished with exit code 0

步骤四

到这里就完成了一个简单的链的组装，后续只需要调用步骤三里的overall_chain就可以得到最后格式化的Json了。
但还有一些问题没有处理。

  1. 第二条链里提示的指标数太少，而一旦提供全量指标，可能会超出对话Token限制
  2. 自然语言识别成Json的Prompts显然还需要调优，以兼容更多对话方式
  3. 我们解析出来Json要怎么使用呢？或许还需要用到LangChain的Tools

PS.

链的调用、组装方式还有很多很多，我目前也仅仅是使用了一点皮毛，更多用户还请参考官方文档： 链 Chains。
里面有诸如：
异步链
内容审查链
数学链
路由链-提示
路由链-问答
……

Artorias Li
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
langchain源码阅读系列（三）之Chain模块
weixin_43829633的博客
07-06 2285
链定义为对组件的一系列调用，也可以包括其他链，这种在链中将组件组合在一起的想法很简单但功能强大，极大地简化了复杂应用程序的实现并使其更加模块化，这反过来又使调试、维护和改进应用程序变得更加容易
langchain学习笔记
01-25
langchain学习笔记
langchain主要模块(三)：Chain
qq128252的博客
09-13 974
链允许我们将多个组件组合在一起，创建一个单一而连贯的应用程序。例如，我们可以创建一个链，接受用户输入，使用 PromptTemplate 进行格式化，然后将格式化的响应传递给 LLM。我们可以通过将多个链组合在一起或将链与其他组件组合来构建更复杂的链。
langchain入门五:知识串联,chain的使用,原来做一个LLM应用如此简单
Langchain的博客
05-21 954
langchain入门五:知识串联,chain的使用,原来做一个LLM应用如此简单
LangChain - Chain
编码时光
04-09 922
1、概览 为什么我们需要链? 2、快速入门 (Get started) - Using `LLMChain` 多个变量 使用字典输入 在 `LLMChain` 中使用聊天模型： 3、异步 API 4、不同的调用方法 `__call__`调用 仅返回输出键值 return_only_outputs 只有一个输出键 run 只有一个输入键 5、自定义chain 6、调试链 (Debugging chains) 7、从 LangChainHub 加载 8、添加记忆（state） 9、序列化 将chain 保存到
LangChain入门(六)-执行多个chain
Good Luck
05-04 1510
【代码】LangChain入门(六)-执行多个chain。
LangChain实战（国内大模型）| Chains的四个核心模块实测——LLMChain、SimpleSequentialChain、SequentialChain和LLMRouteChain
最新发布
sinat_29950703的博客
05-24 1516
作为 LangChain 的核心模块之一，的重要性不言而喻。它相当于是所有复杂逻辑的基础，。Chain 的设计非常巧妙，可以说是大模型应用的最佳实践之一。Chain 的设计非常巧妙，也非常值得借鉴，也是为什么 LangChain 能火爆的主要原因之一。Chain的主要功能是根据需要将各种能力进行拼接和整合。
【LangChain】自定义chain
山鬼谣的专栏
07-04 2332
并继承Chain类；由于Chain_call()方法。通过创建chain，在执行run方法运行。
ansible学习笔记三:roles
01-07
ansible学习笔记三:roles环境：测试roles测试1，基本使用：1.1 结构1.2 role内各文件内容1.3 模板文件改动1.4 执行剧本1.5 检查测试2：2.1 结构2.2 各文件内容2.3 执行2.4 检查3. 多个角色一起使用的话：指定只运行...
Python学习笔记：7.3.2 注册
01-20
前言：本文是学习网易微专业的《python全栈工程师 – Django快速建站》课程的笔记，欢迎学习交流。同时感谢老师们的精彩传授！ 一、课程目标 实现用户注册功能 二、详情解读 2.1.用户注册 2.1.1.基本功能 填写注册...
GitHub学习笔记：GitHub配置SSH key
01-06
Win 10 Git 2.5 Clone git repositories using ssh，clone前配置SSH key 1.本机生成密钥 ssh-keygen -t rsa -C 1********1@qq.com 连续回车后如下输出： 原创文章 40获赞 6访问量 2945 关注 ... 展开
MySQL学习笔记：高级联结（重要）
12-14
本文为本人学习书籍《MySQL必知必会》笔记系列，欢迎持续关注，有问题随时留言评论，一起探讨学习~ 16 高级联结 16.1 使用表别：可以缩短语句，单条SELECT多次使用相同表 SELECT p.Name AS p_name, c.Name AS c_...
04｜LangChain | 从入门到实战 -六大组件之chain
稳稳C9的博客
04-22 1696
执行创建工具，场景等，调用顺序，遵循LCEL在许多编程语言和库中，"chain"通常用于描述一系列的操作或函数，这些操作或函数按照特定的顺序依次执行，前一个操作的输出会作为后一个操作的输入。这种模式也被称为管道（Pipeline）或链式调用（Chain Calling）。
大模型从入门到应用——LangChain：链（Chains）-[基础知识]
冯·诺依曼
08-21 3310
LangChain提供了许多现成的链式连接，但有时我们可能希望为特定的用例创建自定义链式连接。在这个例子中，我们将创建一个自定义链式连接，它将两个LLMChain的输出连接起来。创建一个Chain类的子类填写input_keys和属性添加_call方法，展示如何执行链式连接@property@property",",参考文献：[1] LangChain官方网站：https://www.langchain.com/
langchain系列：langchain入门（一分钟搞定对话机器人）
traveler-leon的博客
06-26 3096
随着aigc的火热，各大厂商开始提供他们自己的api服务，诸如openai、google、等，还有的直接开源出自己的模型，放到Huggingface提供使用，而LangChain就是一个基于语言模型开发应用程序的框架，它可以很方便的去调用不同公司的api，以及huggingface的资源，为人们提供统一的开发标准，降低开发难度。
LangChain 中文入门教程
热门推荐
qq_56591814的博客
06-25 2万+
LangChain官方文档假如我们想要用openai api对一段文本进行总结，我们通常的做法就是直接发给 api 让他总结。但是如果文本超过了 api 最大的 token 限制就会报错。这时，我们一般会进行对文章进行分段，比如通过tiktoken计算并分割，然后将各段发送给 api 进行总结，最后将各段的总结再进行一个全部的总结。LangChain可以很好的帮我们处理这个过程，代码也很简单。
LangChain 介绍及相关组件使用总结
小毕超博客
06-25 1万+
`LangChain` 是一个由语言模型`LLMs`驱动的应用程序框架，它允许用户围绕大型语言模型快速构建应用程序和管道。 可以直接与 `OpenAI` 的 `ChatGPT` 模型以及 `Hugging Face` 集成。通过 `langChain` 可快速构建聊天机器人、生成式问答(`GQA`)、本文摘要等应用场景。
TCPIP详解学习笔记.doc
07-19
《TCP/IP详解学习笔记》是一份详细介绍数据链路层、IP协议、ARP协议、RARP协议、ICMP协议、ping和Traceroute、UDP、DNS等内容的学习笔记。它通过讨论TCP/IP协议族的重要性和作用，向读者解释了为什么在世界各地的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值