午夜精品一区二区三区的区别,久久精品无码一区二区www ,国产午夜成人无码免费看不卡

文章圖片

文章圖片

文章圖片

LangChain框架的核心是“鏈（Chains）”的概念 —— 一系列按特定順序執(zhí)行任務的相互連接的組件。但這些鏈（Chains）到底是什么，它們又是如何提升語言模型的能力的呢？在本文中，我們將深入 LangChain 的世界，探索其核心概念、基礎鏈類型和實際應用。

從將復雜任務分解為可管理的步驟到在多次調(diào)用間保持上下文， LangChain 提供了一個強大的框架來構建復雜的語言應用程序。

一、什么是 LangChain 中的鏈？用一句話來說：鏈是一個端到端的包裝器，包含多個單獨組件按定義的順序執(zhí)行。

鏈是 LangChain 的核心概念之一。鏈允許超越對語言模型的單個 API 調(diào)用，而是將多個調(diào)用邏輯地串聯(lián)起來。這樣，允許開發(fā)人員組合多個組件來創(chuàng)建一個連貫的應用程序。

使用鏈的一些原因包括：

將復雜任務分解為可以由不同模型或工具順序處理的較小步驟。這允許我們利用不同系統(tǒng)的不同優(yōu)勢。
在調(diào)用間添加狀態(tài)和內(nèi)存。一個調(diào)用的輸出可以作為下一個調(diào)用的輸入，以提供上下文和狀態(tài) 。
在調(diào)用間添加額外的處理、過濾或驗證邏輯。
更容易地調(diào)試和檢測一系列調(diào)用。

二、LangChain 中的基礎鏈類型LLMChain、RouterChain、SimpleSequentialChain 和 TransformChain 被認為是許多其他更復雜鏈的基礎構建塊。它們提供了基本的模式，如串聯(lián)大語言模型、條件邏輯、順序工作流和數(shù)據(jù)轉(zhuǎn)換。

LLMChain：串聯(lián)對大語言模型的多個調(diào)用，適用于分解復雜提示。
RouterChain：允許基于邏輯條件性地路由到不同的鏈，啟用分支邏輯。
SimpleSequentialChain：順序串聯(lián)多個鏈，適用于線性工作流。
TransformChain：在鏈間應用數(shù)據(jù)轉(zhuǎn)換，有助于數(shù)據(jù)整理和預處理。

其他關鍵鏈類型如 Agents 和 RetrievalChain 在這些基礎上構建，以實現(xiàn)更高級的用例，如目標導向的對話和基于知識的生成。

然而，這四個基礎提供了 LangChain 中鏈構造的基本模式。

三、LLMChain最常用的鏈類型是 LLMChain 。

LLMChain 由一個提示模板、一個大語言模型和一個可選的輸出解析器組成。例如，可以創(chuàng)建一個鏈，它接收用戶輸入，用提示模板格式化它，然后將格式化后的響應傳遞給一個大語言模型。可以通過組合多個鏈，或?qū)㈡溑c其他組件組合來構建更復雜的鏈。

使用 LLMChain 與直接向大語言模型傳遞提示的主要區(qū)別在于：

LLMChain 允許將多個提示串聯(lián)在一起，而直接傳遞提示只允許一個。使用 LLMChain ，可以將復雜提示分解為多個更簡單的提示并將它們串聯(lián)起來。
LLMChain 在提示間保持狀態(tài)和內(nèi)存。一個提示的輸出可以作為下一個提示的輸入來提供上下文。直接傳遞提示缺乏這種記憶。
LLMChain 使得在提示間添加預處理邏輯、驗證和檢測更容易。這有助于調(diào)試和質(zhì)量控制。
LLMChain 提供了一些便利方法，如 apply 和 generate ，使運行鏈變得簡單。

四、創(chuàng)建一個 LLMChain要創(chuàng)建一個 LLMChain ，需要指定：

要使用的語言模型
提示模板

【LangChain 鏈：一種革命性的方式來利用語言模型的力量】

這段代碼定義了一個提示模板，并使用 OpenAI 模型創(chuàng)建了一個 LLMChain 實例。通過調(diào)用 LLMChain 并傳入具體參數(shù) ，可以獲得生成的有趣短故事。

代碼示例如下：

from langchain import PromptTemplate OpenAI LLMChain# 初始化 OpenAI 模型llm = OpenAI(temperature=0)# 定義提示模板prompt_template = \"像一個喜劇演員一樣 ， 寫一個超級有趣的兩句關于{thing的短篇故事?\"# 創(chuàng)建 LLM 鏈llm_chain = LLMChain( llm=llm prompt=PromptTemplate.from_template(prompt_template))# 調(diào)用 LLM 鏈并傳入具體參數(shù)result = llm_chain(\"一個小孩把他爸爸的筆記本電腦藏了起來\")print(result)

執(zhí)行上述代碼，會產(chǎn)生如下提示信息：
LangChainDeprecationWarning: The class `LLMChain` was deprecated in LangChain 0.1.17 and will be removed in 1.0. Use RunnableSequence e.g. `prompt | llm` instead.
意思是類 LLMChain 在LangChain 0.1.17中已棄用，并將在1.0中刪除。

輸出結果：

使用新版的LangChain 0.2.x 框架，可以使用如下示例代碼：

from langchain_core.prompts import PromptTemplatefrom langchain_openai import ChatOpenAI# 初始化 ChatOpenAI 模型llm = ChatOpenAI(model_name=OPENAI_MODEL temperature=0)# 定義提示模板prompt_template = \"像一個喜劇演員一樣 ， 寫一個超級有趣的兩句關于{thing的短篇故事?\"prompt = PromptTemplate.from_template(prompt_template)# 創(chuàng)建 LLM 鏈llm_chain = prompt | llm# 調(diào)用 LLM 鏈并傳入具體參數(shù)result = llm_chain.invoke(\"一個小孩把他爸爸的筆記本電腦藏了起來\")print(result)

輸出結果：

代碼說明：
（1）導入必要的庫：
PromptTemplate：用于定義提示模板。
ChatOpenAI：用于初始化 ChatOpenAI 模型。

（2）初始化 ChatOpenAI 模型：
llm = ChatOpenAI(model_name=OPENAI_MODEL temperature=0)：創(chuàng)建一個 ChatOpenAI 模型實例，設置模型名稱為 OPENAI_MODEL ，溫度為 0 ，以獲得更確定性的輸出。

（3）定義提示模板：
prompt_template：定義一個提示模板字符串，內(nèi)容為 \"像一個喜劇演員一樣，寫一個超級有趣的兩句關于{thing的短篇故事?\" 。其中 {thing 是占位符，將在后續(xù)調(diào)用中替換為具體參數(shù) 。
prompt = PromptTemplate.from_template(prompt_template)：使用 PromptTemplate 類從模板字符串創(chuàng)建提示模板對象。

（4）創(chuàng)建 LLM 鏈：
llm_chain = prompt | llm：使用管道符號 (|) 創(chuàng)建一個 LLM 鏈，將提示模板和 ChatOpenAI 模型連接起來。

（5）調(diào)用 LLM 鏈并傳入具體參數(shù)：
result = llm_chain.invoke(\"一個小孩把他爸爸的筆記本電腦藏了起來\")：調(diào)用 llm_chain 的 invoke 方法，并傳入具體參數(shù) \"一個小孩把他爸爸的筆記本電腦藏了起來\" ，獲取生成的結果。
print(result)：打印生成的結果。

這段代碼定義了一個提示模板，并使用 ChatOpenAI 模型創(chuàng)建了一個 LLM 鏈。通過調(diào)用 llm_chain.invoke 并傳入具體參數(shù) ，可以獲得生成的有趣短故事。

當有一個輸入列表并希望讓大語言模型為每個輸入生成文本時，它將為列表中的每個輸入字典運行 LLMChain 并返回一個輸出列表。

五、批處理首先，在批量中，如果你需要提出多個問題或命令，可以通過將提示列表保存在 Python 列表中，然后使用批量調(diào)用，而不是循環(huán) 。

這段代碼的目的是批量處理一系列文本輸入項，并展示每個輸入項對應的處理結果。

# 輸入列表input_list = [ {\"thing\": \"女生喜歡大叔\" {\"thing\": \"失明的眼科醫(yī)生\" {\"thing\": \"一個不會做數(shù)學的數(shù)據(jù)科學家\"
# 調(diào)用 batch 方法outputs = llm_chain.batch(input_list)# 遍歷 outputs 列表 ， 該列表包含了 batch 方法對每個輸入項的處理結果for index output in enumerate(outputs): # 使用 enumerate 函數(shù)獲取索引和值 ， 并將索引轉(zhuǎn)換為從1開始的序號 ， 以便與輸入列表的序號對應 print(f\"Input {index + 1: {input_list[index
['thing'
\") print(f\"Output: {output\\")

llm_chain.batch(input_list)這行代碼調(diào)用了llm_chain對象的batch方法，并傳入input_list作為參數(shù) 。這個batch方法是用來批量處理input_list中的每一個輸入項（即每個字典中的'thing'值）。

輸出結果：

\u0002