当前位置：首页 > news >正文

LangChain 核心模块学习:Chains

news 2025/8/20 10:05:56

LangChain 核心模块学习：Chains

对于简单的大模型应用，单独使用语言模型（LLMs）是可以的。

但更复杂的大模型应用需要将 LLMs 和 Chat Models 链接在一起 - 要么彼此链接，要么与其他组件链接。

LangChain 为这种“链式”应用程序提供了 Chain 接口。

LangChain 以通用方式定义了 Chain，它是对组件进行调用序列的集合，其中可以包含其他链。

Router Chain: 实现条件判断的大模型调用

这段代码构建了一个可定制的链路系统，用户可以提供不同的输入提示，并根据这些提示获取适当的响应。

主要逻辑：从prompt_infos创建多个LLMChain对象，并将它们保存在一个字典中，然后创建一个默认的ConversationChain，最后创建一个带有路由功能的MultiPromptChain。

在这里插入图片描述
from langchain.chains.router import MultiPromptChain
from langchain.llms import OpenAI
from langchain.chains import ConversationChain
from langchain.chains.llm import LLMChain
from langchain.prompts import PromptTemplate

physics_template = “”"你是一位非常聪明的物理教授。
你擅长以简洁易懂的方式回答关于物理的问题。
当你不知道某个问题的答案时，你会坦诚承认。

这是一个问题：
{input}“”"

math_template = “”"你是一位很棒的数学家。你擅长回答数学问题。
之所以如此出色，是因为你能够将难题分解成各个组成部分，
先回答这些组成部分，然后再将它们整合起来回答更广泛的问题。

这是一个问题：
{input}“”"

prompt_infos = [
{
“name”: “物理”,
“description”: “适用于回答物理问题”,
“prompt_template”: physics_template,
},
{
“name”: “数学”,
“description”: “适用于回答数学问题”,
“prompt_template”: math_template,
},
]

llm = OpenAI()

创建一个空的目标链字典，用于存放根据prompt_infos生成的LLMChain。

destination_chains = {}

遍历prompt_infos列表，为每个信息创建一个LLMChain。

for p_info in prompt_infos:
name = p_info[“name”] # 提取名称
prompt_template = p_info[“prompt_template”] # 提取模板
# 创建PromptTemplate对象
prompt = PromptTemplate(template=prompt_template, input_variables=[“input”])
# 使用上述模板和llm对象创建LLMChain对象
chain = LLMChain(llm=llm, prompt=prompt)
# 将新创建的chain对象添加到destination_chains字典中
destination_chains[name] = chain

创建一个默认的ConversationChain

default_chain = ConversationChain(llm=llm, output_key=“text”)

type(default_chain)

使用 LLMRouterChain 实现条件判断调用

这段代码定义了一个chain对象（LLMRouterChain），该对象首先使用router_chain来决定哪个destination_chain应该被执行，如果没有合适的目标链，则默认使用default_chain。

from langchain.chains.router.llm_router import LLMRouterChain, RouterOutputParser
from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE