Langchain 多链参数传递

在 LangChain 框架中，实现多个链（Chain）之间的参数传递是构建复杂应用的关键步骤。LangChain 提供了多种机制来支持链之间的数据流动和参数共享，以下是一些常见方法： ### 1. 使用 `SequentialChain` 进行顺序链式调用 `SequentialChain` 是 LangChain 提供的一个工具，用于将多个链按顺序连接，并在它们之间传递参数。每个链的输出可以作为下一个链的输入，或者通过指定输入输出变量进行参数映射。 ```python from langchain.chains import SequentialChain, LLMChain from langchain.prompts import PromptTemplate from langchain_community.llms import OpenAI llm = OpenAI(model="text-davinci-003", temperature=0.7) # 第一个链：生成一个故事的开头 template1 = PromptTemplate.from_template("写一个关于{topic}的故事开头。") chain1 = LLMChain(llm=llm, prompt=template1, output_key="story_start") # 第二个链：继续故事的发展 template2 = PromptTemplate.from_template("根据以下开头继续故事：{story_start}") chain2 = LLMChain(llm=llm, prompt=template2, output_key="story_continuation") # 将两个链组合成一个顺序链 sequential_chain = SequentialChain( chains=[chain1, chain2], input_variables=["topic"], output_variables=["story_start", "story_continuation"], verbose=True ) # 执行顺序链 result = sequential_chain({"topic": "未来科技"}) print(result["story_continuation"]) ``` ### 2. 使用 `TransformChain` 进行中间数据转换 如果需要在链之间进行数据格式转换或预处理，可以使用 `TransformChain`。它允许定义一个函数来处理输入并生成输出，供后续链使用。 ```python from langchain.chains import TransformChain, LLMChain, SequentialChain from langchain.prompts import PromptTemplate def transform_func(inputs: dict) -> dict: text = inputs["text"] # 假设我们在这里进行一些文本处理 return {"processed_text": text.upper()} transform_chain = TransformChain( input_variables=["text"], output_variables=["processed_text"], transform=transform_func ) # 创建一个使用处理后文本的 LLMChain template = PromptTemplate.from_template("解释以下术语：{processed_text}") llm_chain = LLMChain(llm=OpenAI(), prompt=template) # 组合成顺序链 sequential_chain = SequentialChain( chains=[transform_chain, llm_chain], input_variables=["text"], output_variables=["processed_text", "text"], verbose=True ) # 执行链 result = sequential_chain({"text": "量子计算"}) print(result["text"]) ``` ### 3. 使用 `Runnable` 接口和 `bind` 方法 LangChain 的 `Runnable` 接口支持链的组合和参数绑定，允许在运行时动态传递参数。 ```python from langchain.chains import RunnableSequence from langchain.prompts import PromptTemplate # 定义第一个链 prompt1 = PromptTemplate.from_template("生成一个关于{topic}的简介。") chain1 = prompt1 | llm # 定义第二个链 prompt2 = PromptTemplate.from_template("根据以下简介生成一个结论：{output_from_chain1}") chain2 = prompt2 | llm # 组合成 RunnableSequence full_chain = RunnableSequence(chain1, chain2) # 执行链 result = full_chain.invoke({"topic": "人工智能伦理"}) print(result) ``` ### 4. 使用 `Memory` 组件实现上下文共享 如果多个链需要共享上下文或状态，可以使用 `Memory` 组件（如 `ConversationBufferMemory`）来存储和传递历史信息。 ```python from langchain.chains import LLMChain from langchain.memory import ConversationBufferMemory memory = ConversationBufferMemory() # 第一个链将输出保存到 memory chain1 = LLMChain( llm=llm, prompt=PromptTemplate.from_template("回答问题：{question1}"), memory=memory, output_key="answer1" ) # 第二个链读取 memory 中的内容 chain2 = LLMChain( llm=llm, prompt=PromptTemplate.from_template("根据以下回答总结：{answer1}"), memory=memory ) # 执行链 result1 = chain1.invoke({"question1": "量子力学的基本原理是什么？"}) result2 = chain2.invoke({}) print(result2["text"]) ``` ###