大模型应用的最佳实践Chains, RouterChain、Transform Chain使用示例_transformchain

各种chain的介绍

• 串联式编排调用链:SequentialChain

  • 流水线 胶水代码逻辑处理
  • 具备编排逻辑 串行 one by one的调用
  • 上一个chain的输出 作为 下一个chain的输入

• 超长文本的转换 Transform Chain

  • pdf文件处理
  • 提供了套壳的能力 将python处理字符串的能力 套用进来 完成数据的格式化处理

• 实现条件判断的路由链:RouterChain

  • 复杂逻辑 条件判断
  • 组合routerchain 目标链 通过条件判断 选择对应的目标链进行调用

Transform Chain: 实现快捷处理超长文本

设计理念 是提供一个框架(壳子) 将处理文本的函数 套进来使用

代码示例

ini
复制代码
from langchain.chains import TransformChain, LLMChain
from langchain_openai import OpenAI
from langchain.prompts import PromptTemplate
import os

api_key = 'sk-xxx'
os.environ["OPENAI_API_KEY"] = api_key

serp_api = 'xxx'
os.environ["SERPAPI_API_KEY"] = serp_api

with open("the_old_man_and_the_sea.txt") as f:
    novel_text = f.read()


# 定义一个转换函数，输入是一个字典，输出也是一个字典。
def transform_func(inputs: dict) -> dict:
    # 从输入字典中获取"text"键对应的文本。
    text = inputs["raw_text"]
    # 使用split方法将文本按照"\n\n"分隔为多个段落，并只取前三个，然后再使用"\n\n"将其连接起来。
    shortened_text = "\n\n".join(text.split("\n\n")[:3])
    # 返回裁剪后的文本，用"output_text"作为键。
    return {"output_text": shortened_text}


def main():
    # 使用上述转换函数创建一个TransformChain对象。
    # 定义输入变量为["text"]，输出变量为["output_text"]，并指定转换函数为transform_func。
    # 提供一个壳子 将函数处理能力 逃进来
    transform_chain = TransformChain(
        input_variables=["raw_text"], output_variables=["output_text"], transform=transform_func
    )

    # 通过chain转换后的文本数据 包括两个key raw_text输入结果 output_text输出结果
    transformed_novel = transform_chain(novel_text)
    print(transformed_novel)

    template = """总结下面文本:
    {output_text}
    总结:"""
    prompt = PromptTemplate(input_variables=["output_text"], template=template)
    llm_chain = LLMChain(llm=OpenAI(), prompt=prompt, verbose=True)

    few_output_text = transformed_novel['output_text'][:1000]

    result = llm_chain(few_output_text)
    print(result)


if __name__ == "__main__":
    main()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53

输出结果

总结:

核心就是提供 串接 套壳的能力 将处理文本函数套壳进来 然后将原始数据局进行处理

Router Chain: 实现条件判断的大模型调用

构建可定制的链路系统，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。

MultiPromptChain 是 router chain和目标链destnation chain构成

python
复制代码
from langchain.chains.router import MultiPromptChain
from langchain_openai import OpenAI
from langchain.chains import ConversationChain
from langchain.chains.llm import LLMChain
from langchain.prompts import PromptTemplate

import os

api_key = 'sk-xxx'
os.environ["OPENAI_API_KEY"] = api_key

serp_api = 'xxx'
os.environ["SERPAPI_API_KEY"] = serp_api


def get_prompt_infos():
    """
    提示语
    :return:
    """
    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,
        },
    ]

    return prompt_infos


llm = OpenAI(model_name="gpt-3.5-turbo-instruct")
prompt_infos = get_prompt_infos()


def get_destination_chains():
    """
    动态构建的目标链
    存放根据prompt_infos生成的LLMChain。
    :return:
    """
    # 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

    return destination_chains


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

# 从prompt_infos中提取目标信息并将其转化为字符串列表 ['物理: 适用于回答物理问题', '数学: 适用于回答数学问题']
destinations = [f"{p['name']}: {p['description']}" for p in prompt_infos]
# 使用join方法将列表转化为字符串，每个元素之间用换行符分隔
destinations_str = "\n".join(destinations)

# 根据MULTI_PROMPT_ROUTER_TEMPLATE格式化字符串和destinations_str创建路由模板
router_template = MULTI_PROMPT_ROUTER_TEMPLATE.format(destinations=destinations_str)

# 创建路由的PromptTemplate
router_prompt = PromptTemplate(
    template=router_template,
    input_variables=["input"],
    output_parser=RouterOutputParser(),
)

# 使用上述路由模板和llm对象创建LLMRouterChain对象
router_chain = LLMRouterChain.from_llm(llm, router_prompt)

# 创建一个默认的ConversationChain
default_chain = ConversationChain(llm=llm, output_key="text")

# 目标链
destination_chains = get_destination_chains()

# 创建MultiPromptChain对象，其中包含了路由链，目标链和默认链。
chain = MultiPromptChain(
    router_chain=router_chain,
    destination_chains=destination_chains,
    default_chain=default_chain,
    verbose=True,
)

print(chain.run("万有引力定律是什么?"))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115

输出结果

MULTI_PROMPT_ROUTER_TEMPLATE的具体实现

组装完成的提示模版

示例 整合SequentialChain、RouterChain、Transform Chain

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

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。