langchain-链

目录

• 链的作用
• 最基础的链 LLMChain
• 从LangChainHub加载链
  • 加载
  • 提问

本文参考自大佬教程。

链的作用

连接整合LLM、提示词模板的一个工具，使得调用LLM模型时能够更加简单、方便。

最基础的链 LLMChain

作为极简教程，我们从最基础的概念，与组件开始。LLMChain 是 LangChain 中最基础的链。本课就从 LLMChain 开始，学习链的使用。

LLMChain 接受如下组件：

• LLM
• 提示词模版

使用实例：

1. 准备必要的组件

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate

llm = OpenAI(temperature=0, openai_api_key="您的有效openai ai key")
prompt = PromptTemplate(
    input_variables=["color"],
    template="What is the hex code of color {color}?",
)

2. 基于组件创建 LLMChain 实例

我们要创建的链，基于提示词模版，提供基于颜色名字询问对应的16进制代码的能力。

from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)

3. 基于链提问

现在我们利用创建的 LLMChain 实例提问。注意，提问中我们只需要提供第一步中创建的提示词模版变量的值。我们分别提问green，cyan，magento三种颜色的16进制代码。

print(chain.run("green"))
print(chain.run("cyan"))
print(chain.run("magento"))

应该会有如下输出：

The hex code of color green is #00FF00.
The hex code of color cyan is #00FFFF.
The hex code for the color Magento is #E13939.

从LangChainHub加载链

本课以链LLM-Math为例，介绍如何从 LangChainHub 加载链并使用它。这是一个使用LLM和Python REPL来解决复杂数学问题的链。

加载

使用 load_chain 函数从hub加载。

from langchain.chains import load_chain
import os

os.environ['OPENAI_API_KEY'] = "您的有效openai api key"
chain = load_chain("lc://chains/llm-math/chain.json")

注：
load_chain 函数的参数是hub中分享的链的json定义。参数格式：lc://<链json文件在LangChainHub的相对路径>。
以meth的地址为例：
GitHub地址：https://github.com/hwchase17/langchain-hub/blob/master/chains/llm-math/chain.json
参数地址：lc://chains/llm-math/chain.json

提问

现在我们可以基于这个链提问。
chain.run("whats the area of a circle with radius 2?")

你应该能看见如下输出：

> Entering new LLMMathChain chain...
whats the area of a circle with radius 2?
Answer: 12.566370614359172
> Finished chain.

Answer: 12.566370614359172