学习 LangChain 的 LCEL

[0. 引言](#0. 引言)
[1. 基本示例：提示+模型+输出解析器](#1. 基本示例：提示+模型+输出解析器)
- [1-1. Prompt](#1-1. Prompt)
- [1-2. Model](#1-2. Model)
- [1-3. Output parser](#1-3. Output parser)
- [1-4. Entire Pipeline](#1-4. Entire Pipeline)

0. 引言

LCEL(LangChain Expression Language) 可以轻松地从基本组件构建复杂的链，并支持开箱即用的功能，例如流式传输、并行性和日志记录。

1. 基本示例：提示+模型+输出解析器

最基本和常见的用例是将提示模板和模型链接在一起。为了看看这是如何工作的，让我们创建一个接受主题并生成笑话的链：

复制代码

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("tell me a short joke about {topic}")
model = ChatOpenAI(model="gpt-4")
output_parser = StrOutputParser()

chain = prompt | model | output_parser

chain.invoke({"topic": "ice cream"})

请注意这行代码，我们使用 LCEL 将不同的组件拼凑成一个链：

复制代码

chain = prompt | model | output_parser

| 符号类似于 unix 管道运算符，它将不同的组件链接在一起，将一个组件的输出作为下一个组件的输入。

在此链中，用户输入传递到提示模板，然后提示模板输出传递到模型，然后模型输出传递到输出解析器。让我们分别看一下每个组件，以真正了解发生了什么。

1-1. Prompt

prompt 是一个 BasePromptTemplate ，这意味着它接受模板变量的字典并生成一个 PromptValue 。 PromptValue 是一个完整提示的包装器，可以传递给 LLM （它接受一个字符串作为输入）或 ChatModel （它接受一个序列作为输入的消息）。它可以与任何一种语言模型类型一起使用，因为它定义了生成 BaseMessage 和生成字符串的逻辑。

复制代码

prompt_value = prompt.invoke({"topic": "ice cream"})
prompt_value

prompt_value.to_messages()

prompt_value.to_string()

1-2. Model

然后 PromptValue 被传递给 model 。在本例中，我们的 model 是 ChatModel ，这意味着它将输出 BaseMessage 。

复制代码

message = model.invoke(prompt_value)
message

如果我们的 model 是 LLM ，它将输出一个字符串。

复制代码

from langchain_openai.llms import OpenAI

llm = OpenAI(model="gpt-3.5-turbo-instruct")
llm.invoke(prompt_value)

1-3. Output parser

最后，我们将 model 输出传递给 output_parser ，这是一个 BaseOutputParser ，意味着它接受字符串或 BaseMessage 作为输入。 StrOutputParser 特别简单地将任何输入转换为字符串。

复制代码

output_parser.invoke(message)

1-4. Entire Pipeline

请按照以下步骤操作：

我们将所需主题的用户输入传递为 {"topic": "ice cream"}
prompt 组件获取用户输入，然后在使用 topic 构造提示后，将其用于构造 PromptValue。
model 组件获取生成的提示，并传递到 OpenAI LLM 模型进行评估。模型生成的输出是一个 ChatMessage 对象。
最后， output_parser 组件接收 ChatMessage ，并将其转换为 Python 字符串，该字符串从 invoke 方法返回。

请注意，如果您对任何组件的输出感到好奇，您始终可以测试链的较小版本，例如 prompt 或 prompt | model 以查看中间结果：

复制代码

input = {"topic": "ice cream"}

prompt.invoke(input)
# > ChatPromptValue(messages=[HumanMessage(content='tell me a short joke about ice cream')])

(prompt | model).invoke(input)
# > AIMessage(content="Why did the ice cream go to therapy?\nBecause it had too many toppings and couldn't cone-trol itself!")

refer: https://python.langchain.com/docs/expression_language/get_started

学习 LangChain 的 LCEL

学习 LangChain 的 LCEL

0. 引言

1. 基本示例：提示+模型+输出解析器​

1-1. Prompt​

1-2. Model

1-3. Output parser

1-4. Entire Pipeline

1. 基本示例：提示+模型+输出解析器

1-1. Prompt