WTF Langchain极简入门: 06. 链
最近在学习Langchain框架，顺手写一个“WTF Langchain极简入门”，供小白们使用（编程大佬可以另找教程）。本教程默认以下前提：
- 使用Python版本的Langchain
- LLM使用OpenAI的模型
- Langchain目前还处于快速发展阶段，版本迭代频繁，为避免示例代码失效，本教程统一使用版本 0.0.235
根据Langchain的代码约定，Python版本 ">=3.8.1,<4.0"。
所有代码和教程开源在github: github.com/sugarforever/wtf-langchain
简介
单一的LLM对于简单的应用场景已经足够，但是更复杂的应用程序需要将LLM串联在一起，需要多LLM协同工作。
LangChain提出了 链 的概念，为这种“链式”应用程序提供了 Chain 接口。Chain 定义组件的调用序列，其中可以包括其他链。链大大简化复杂应用程序的实现，并使其模块化，这也使调试、维护和改进应用程序变得更容易。
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
LLMChain 返回LLM的回复。
在第二讲中我们学习了OpenAI LLM的使用。现在我们基于OpenAI LLM，利用 LLMChain 尝试构建自己第一个链。
- 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}?",
)
- 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)
- 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"))
你应该期望如下输出：
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.
LangChainHub
LangChainHub 收集并分享用于处理 LangChain 基本元素（提示词，链，和代理等）。
本讲，我们介绍 LangChainHub 中分享的链的使用。
Hello World链
代码仓库：https://github.com/hwchase17/langchain-hub/blob/master/chains/hello-world/
链定义：https://github.com/hwchase17/langchain-hub/blob/master/chains/hello-world/chain.json
定义的原始内容：
{
"memory": null,
"verbose": false,
"prompt": {
"input_variables": [
"topic"
],
"output_parser": null,
"template": "Tell me a joke about {topic}:",
"template_format": "f-string",
"_type": "prompt"
},
"llm": {
"model_name": "text-davinci-003",
"temperature": 0.9,
"max_tokens": 256,
"top_p": 1,
"frequency_penalty": 0,
"presence_penalty": 0,
"n": 1,
"best_of": 1,
"request_timeout": null,
"logit_bias": {},
"_type": "openai"
},
"output_key": "text",
"_type": "llm_chain"
}
这条链，使用如下组件：
- 提示词模版 - 请求LLM回答一个
topic参数指定的话题的笑话 - LLM - OpenAI的
text-davince-003模型（包括模型相关参数的设置）
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：
- OpenAI类允许通过参数
openai_api_key指定API Key，也可以通过环境变量OPENAI_API_KEY自动加载。在本例中，load_chain函数完成加载，OpenAI的实例化由框架完成，因此在这里我们用了环境变量来指定API Key。 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>。
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?")
你应该期望如下输出：
> Entering new LLMMathChain chain...
whats the area of a circle with radius 2?
Answer: 12.566370614359172
> Finished chain.
Answer: 12.566370614359172
总结
本节课程中，我们学习了LangChain 提出的最重要的概念 - 链（Chain） ，介绍了如何使用链，并分享了如何利用开源社区的力量 - 从 LangChainHub 加载链，让LLM开发变得更加轻松。