第24篇：深入剖析：LangChain核心组件

最新推荐文章于 2024-07-01 23:22:43 发布

Gemini技术窝

最新推荐文章于 2024-07-01 23:22:43 发布

阅读量1.1k

点赞数 28

分类专栏：深入LangChain：架构揭秘与应用实战文章标签： langchain 人工智能 AIGC python ai

本文链接：https://blog.csdn.net/wjm1991/article/details/139908009

版权

深入LangChain：架构揭秘与应用实战专栏收录该内容

29 篇文章 7 订阅

订阅专栏

大家好，今天我们将深入探讨LangChain库的核心组件。LangChain库是一个功能强大且灵活的工具，用于管理和优化大语言模型（LLM）的输入输出，以及在复杂的NLP任务中集成多个组件。本文将详细介绍LangChain的关键组件，包括Prompts、Chains、Agents和Memory，并通过示例讲解它们的使用方法和最佳实践。

Prompts

什么是Prompts？

Prompts是用于管理LLM输入的工具。在从LLM获得所需的输出之前，需要对提示进行相当多的调整。Prompts可以是单个句子或多个句子的组合，它们可以包含变量和条件语句，用于动态生成输入文本，从而提高模型响应的准确性和相关性。

Prompts的关键功能

模板化输入：通过使用变量和条件语句创建动态的输入模板。
上下文设置：为LLM提供必要的上下文信息，以生成高质量的输出。
优化提示：通过迭代调整提示，优化LLM的输出质量。

Prompts的示例

以下是一个使用LangChain库创建和管理Prompts的示例：

from langchain.prompts import PromptTemplate

# 定义一个简单的提示模板
template = "请用一句话描述以下产品的特点：{product_name}"

# 创建一个PromptTemplate实例
prompt = PromptTemplate(template=template)

# 填充模板变量
input_text = prompt.format(product_name="智能手表")
print(input_text)

在这个示例中，我们创建了一个简单的提示模板，并使用format方法填充模板变量。生成的输入文本将用于LLM，以获取对特定产品的描述。

高级使用：条件语句

Prompts还可以包含条件语句，用于根据不同的输入生成不同的提示。

template = """
{%- if sentiment == 'positive' -%}
请用积极的语气描述以下产品的特点：{product_name}
{%- elif sentiment == 'negative' -%}
请用消极的语气描述以下产品的缺点：{product_name}
{%- else -%}
请描述以下产品的特点：{product_name}
{%- endif -%}
"""

# 创建一个PromptTemplate实例
prompt = PromptTemplate(template=template)

# 填充模板变量
input_text_positive = prompt.format(product_name="智能手表", sentiment="positive")
input_text_negative = prompt.format(product_name="智能手表", sentiment="negative")
input_text_neutral = prompt.format(product_name="智能手表", sentiment="neutral")

print(input_text_positive)
print(input_text_negative)
print(input_text_neutral)

这个示例展示了如何使用条件语句创建复杂的提示模板，以适应不同的输入情境。

Chains

什么是Chains？

Chains是一种将LLM和其他多个组件连接在一起的工具，以实现复杂的任务。通过将不同的组件串联在一起，Chains可以执行一系列步骤，从数据预处理到调用LLM，再到后处理，最终生成所需的输出。

Chains的关键功能

任务自动化：通过将多个步骤链接在一起，实现复杂任务的自动化。
模块化设计：可以灵活地组合不同的组件，适应不同的任务需求。
可扩展性：可以轻松添加或替换组件，扩展系统功能。

Chains的示例

以下是一个使用LangChain库创建和管理Chains的示例：

from langchain.chains import SimpleChain
from langchain.prompts import PromptTemplate
from langchain.models import OpenAIModel

# 定义提示模板
template = "请用一句话描述以下产品的特点：{product_name}"
prompt = PromptTemplate(template=template)

# 定义LLM模型
model = OpenAIModel(api_key="your-api-key")

# 创建一个简单的Chain
chain = SimpleChain(prompt=prompt, model=model)

# 执行Chain
input_data = {"product_name": "智能手表"}
output = chain.run(input_data)
print(output)

在这个示例中，我们创建了一个简单的Chain，将提示模板和LLM模型链接在一起，并执行这个Chain以生成输出。

高级使用：多步骤Chains

Chains可以包含多个步骤，每个步骤可以使用不同的组件来处理数据。

from langchain.chains import MultiStepChain

# 定义数据预处理步骤
def preprocess(data):
    data['product_name'] = data['product_name'].lower()
    return data

# 定义数据后处理步骤
def postprocess(response):
    return response.strip()

# 创建一个多步骤Chain
steps = [
    ("preprocess", preprocess),
    ("prompt", prompt),
    ("model", model),
    ("postprocess", postprocess)
]
chain = MultiStepChain(steps=steps)

# 执行Chain
input_data = {"product_name": "智能手表"}
output = chain.run(input_data)
print(output)

这个示例展示了如何创建一个包含多个步骤的Chain，以实现更复杂的任务。

Agents

什么是Agents？

Agents是一种使用LLM做出决策的工具，它们可以执行特定的任务并生成文本输出。Agents通常由三个部分组成：Action、Observation和Decision。Action是代理执行的操作，Observation是代理接收到的信息，Decision是代理基于Action和Observation做出的决策。

Agents的关键功能

自主决策：根据输入信息自主做出决策并执行相应操作。
任务执行：能够执行复杂的任务，如信息检索、数据分析等。
上下文感知：能够根据上下文信息调整决策和操作。

Agents的示例

以下是一个使用LangChain库创建和管理Agents的示例：

from langchain.agents import SimpleAgent
from langchain.prompts import PromptTemplate
from langchain.models import OpenAIModel

# 定义提示模板
template = "请用一句话描述以下产品的特点：{product_name}"
prompt = PromptTemplate(template=template)

# 定义LLM模型
model = OpenAIModel(api_key="your-api-key")

# 定义Action
def action(input_data):
    prompt_text = prompt.format(**input_data)
    response = model.generate(prompt_text)
    return response

# 定义Observation
def observation(response):
    return {"response": response}

# 定义Decision
def decision(observation_data):
    return observation_data['response']

# 创建一个SimpleAgent
agent = SimpleAgent(action=action, observation=observation, decision=decision)

# 执行Agent
input_data = {"product_name": "智能手表"}
output = agent.run(input_data)
print(output)

在这个示例中，我们创建了一个简单的Agent，定义了Action、Observation和Decision，并执行这个Agent以生成输出。

高级使用：复杂Agents

Agents可以执行更复杂的任务，通过组合多个Action、Observation和Decision步骤。

from langchain.agents import MultiStepAgent

# 定义更多的Action、Observation和Decision
def action2(input_data):
    # 另一个Action步骤
    return "Processed: " + input_data['product_name']

def observation2(response):
    # 另一个Observation步骤
    return {"processed_response": response}

def decision2(observation_data):
    # 另一个Decision步骤
    return "Final Decision: " + observation_data['processed_response']

# 创建一个多步骤Agent
steps = [
    ("action", action),
    ("observation", observation),
    ("decision", decision),
    ("action2", action2),
    ("observation2", observation2),
    ("decision2", decision2)
]
agent = MultiStepAgent(steps=steps)

# 执行Agent
input_data = {"product_name": "智能手表"}
output = agent.run(input_data)
print(output)

这个示例展示了如何创建一个包含多个步骤的Agent，以执行更复杂的任务。

Memory

什么是Memory？

Memory是一种用于存储数据的工具，由于LLM没有任何长期记忆，它有助于在多次调用之间保持状态。Memory在对话系统、长期任务处理等场景中尤为重要。

Memory的关键功能

状态保持：在多次调用之间保持数据和状态。
上下文管理：管理对话和任务的上下文信息。
数据存储：存储和检索必要的数据，以支持任务执行。

Memory的示例

以下是一个使用LangChain库创建和管理Memory的示例：

from langchain.memory import SimpleMemory

# 创建一个SimpleMemory实例
memory = SimpleMemory()

# 存储数据
memory.save("user_name", "Alice")

# 检索数据
user_name = memory.load("user_name")
print(f"User Name: {user_name}")

在这个示例中，我们创建了一个简单的Memory实例，存储并检索数据。

高级使用：复杂Memory管理

Memory可以用于管理更复杂的上下文信息和数据。

from langchain.memory import ComplexMemory

# 创建一个ComplexMemory实例
memory = ComplexMemory()

# 存储多个数据项
memory.save

("user_name", "Alice")
memory.save("last_interaction", "2023-07-21 10:00:00")

# 更新数据项
memory.update("last_interaction", "2023-07-21 10:05:00")

# 检索所有数据项
all_data = memory.load_all()
print(all_data)