先做个广告：如需代注册GPT4或充值 GPT4.0会员（plus），请添加站长微信：gptchongzhi
Chain模块用中文来说就是链，LangChain本来就是语言链的涵义，那么Chain就是其中的链结构，属于组合各个层的中间结构，可以称之为胶水层，将各个模块粘连在一起，实现相应的功能，也是用于程序的调用入口。
推荐使用GPT中文版，国内可直接访问：https://ai.gpt86.top
类似于Model模块，Chain模块也有一个基类Chain，是所有chain对象的基本入口，与用户程序的交互、用户的输入、其他模块的输入、内存的接入、回调能力。chain通过传入String值，控制接受的输入和给到的输出格式。
当前集成Chain的子类有：
从上图可以看到，Chain的子类基本都是担任某项专业任务的具体实现类，比如LLMChain，从名字可以看出，这就是专门为大语言模型准备的Chain实现类，那么其他的Chain也类似，在使用过程中，可以根据业务的需求来选择不同的Chain来完成具体的能力，比如说SQLDatabaseChain可以用于数据库操作，VecorDBAQ就是为大模型提供向量化存储的能力。
LLMChain
LLMChain是针对大模型的chain，一般是配合其他的chain一起使用，也是一般开发阶段最为常用的chain。
template = """Write a {adjective} poem about {subject}."""prompt = PromptTemplate(template=template, input_variables=["adjective", "subject"])llm_chain = LLMChain(prompt=prompt, llm=OpenAI(temperature=0), verbose=True)llm_chain.predict(adjective="sad", subject="ducks")
SequenticalChain
除了LLMChain，另外一个比较常用的就是顺序执行chains，SequenticalChain主要适用于分布实现的业务，并且业务之间有明确先后顺序的场景，比如说，我们一定是先做饭或者点外卖然后才能吃饭，这种业务是必须保证先后顺序的，就需要使用SequenticalChain。其中：
SimpleSequentialChain: 上一个业务的输出结果作为下一个业务的参数或者输入；
SequentialChain: 这个类就允许多个输入和输出了，比如说，我们吃了一顿三菜一汤的大餐，那么三菜一汤就是我们的输入；
Chain的加载
既然LangChain提供了这么多种类的Chain，LangChain是通过从文件中县读取配置，然后再从配置中获取所有chain的配置信息，具体代码如下：
def load_chain(path: Union[str, Path], **kwargs: Any) -> Chain:"""Unified method for loading a chain from LangChainHub or local fs."""if hub_result := try_load_from_hub(path, _load_chain_from_file, "chains", {"json", "yaml"}, **kwargs):return hub_resultelse:return _load_chain_from_file(path, **kwargs)def _load_chain_from_file(file: Union[str, Path], **kwargs: Any) -> Chain:"""Load chain from file."""# Convert file to Path object.if isinstance(file, str):file_path = Path(file)else:file_path = file# Load from either json or yaml.if file_path.suffix == ".json":with open(file_path) as f:config = json.load(f)elif file_path.suffix == ".yaml":with open(file_path, "r") as f:config = yaml.safe_load(f)else:raise ValueError("File type must be json or yaml")# Override default 'verbose' and 'memory' for the chainif "verbose" in kwargs:config["verbose"] = kwargs.pop("verbose")if "memory" in kwargs:config["memory"] = kwargs.pop("memory")# Load the chain from the config now.return load_chain_from_config(config, **kwargs)
上面的代码比较简单，就是解析各种格式的文件，从文件中获取配置信息，然后再从配置中获取chain的配置数据。
type_to_loader_dict = {"api_chain": _load_api_chain,"hyde_chain": _load_hyde_chain,"llm_chain": _load_llm_chain,"llm_bash_chain": _load_llm_bash_chain,"llm_checker_chain": _load_llm_checker_chain,"llm_math_chain": _load_llm_math_chain,"llm_requests_chain": _load_llm_requests_chain,"pal_chain": _load_pal_chain,"qa_with_sources_chain": _load_qa_with_sources_chain,"stuff_documents_chain": _load_stuff_documents_chain,"map_reduce_documents_chain": _load_map_reduce_documents_chain,"map_rerank_documents_chain": _load_map_rerank_documents_chain,"refine_documents_chain": _load_refine_documents_chain,"sql_database_chain": _load_sql_database_chain,"vector_db_qa_with_sources_chain": _load_vector_db_qa_with_sources_chain,"vector_db_qa": _load_vector_db_qa,}def load_chain_from_config(config: dict, **kwargs: Any) -> Chain:"""Load chain from Config Dict."""if "_type" not in config:raise ValueError("Must specify a chain Type in config")config_type = config.pop("_type")if config_type not in type_to_loader_dict:raise ValueError(f"Loading {config_type} chain not supported")chain_loader = type_to_loader_dict[config_type]return chain_loader(config, **kwargs)
如上面的代码所示，针对每一种chain都有对应的load方法，load方法的命名很有规律，就是在chain的名称前面加上“_load”前缀，后续如果在使用过程中，对相关方法感兴趣，直接检索即可。
网友评论