LangChain（三）基础问答大模型，从LLMchain开始了解chain！纯新手向

背景

经过前面两篇内容的部分，我想大家应该对Langchain有了一个初步的了解。那么我们接下来完善我们的基础大模型吧！开始chain的尝试！

Chain的说明

chain可谓是Langchain的精髓所在，不使用chain，也就没必要学习Langchain了。大模型的本质在于文本的处理，也仅能做文本的处理，输入和输出都是文字，没有任何的其他功能。想要大模型工作，做出任何自己想要的功能，我们需要对大模型进行扩建！给大模型安上四肢，安上双眼！

例如：将视觉卷积神经网络获取当前视频流的处理信息并文字化描述，再传给大模型进行处理，大模型就能给你传递图片乃至视频的含义，并解读世界。这就是安上双眼的过程。而再次过程中，就有了链的雏形：用户文本输入---->判断调用视觉神经网络模型---->获取视觉神经网络模型的识别结果---->大模型处理返回结果。上诉的流程，正是一个链！

当然我们作为小白自然不用管这种复杂的链，我们今天先从最基本的链开始：LLMchain！

LLMchain

LLMChain是在语言模型周围添加一些功能的简单链。它被广泛地应用于LangChain中，LLMChain由一个PromptTemplate和一个语言模型（LLM或聊天模型)组成。

在langchain（二）的博客中我们开发了一个基础的LLM，感兴趣的看客可以去瞅瞅

LangChain（二）基础问答大模型，纯新手向-CSDN博客

我先把最终的代码copy如下：

import os
from langchain_community.chat_models import QianfanChatEndpoint
from langchain import PromptTemplate, LLMChain
 
# 设定百度千帆大模型的AK和SK-去百度千帆官网的控制台新建一个应用即可
os.environ["QIANFAN_AK"] = "your AK“"
os.environ["QIANFAN_SK"] = "your SK"
 
#创建千帆LLM模型
qianfan_chat = QianfanChatEndpoint(
    model="ERNIE-3.5-8K",
    temperature=0.2,
    timeout=30,
)
 
while True:
    prompt = input("user: ")
    print(qianfan_chat(prompt))

很简单对不对？

接下来就是加入Chain了，可以看到，我已经 import 了相关头文件。

import os
from langchain_community.chat_models import QianfanChatEndpoint
from langchain import PromptTemplate, LLMChain
 
# 设定百度千帆大模型的AK和SK-去百度千帆官网的控制台新建一个应用即可
os.environ["QIANFAN_AK"] = "your AK“"
os.environ["QIANFAN_SK"] = "your SK"
 
#创建千帆LLM模型
qianfan_chat = QianfanChatEndpoint(
    model="ERNIE-3.5-8K",
    temperature=0.2,
    timeout=30,
)

prompt_template = "What is a good name for a company that makes {product}? 用中文回答"

llm_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate.from_template(prompt_template)
)

在该部分中，我们做了如下两个动作：

定义 prompt_template（就是定义了一个prompt模板），这样就可以只让用户更改 {} 内的内容
构建LLMchain（仅仅只是做了一个链接，暂时还没有什么作用呢，别着急）

下面我直接把后面的代码沾上来，包括有关于LLMchain的所有使用方法，然而其实，只需要掌握其中一种即可。我个人比较推荐LLMchain.predict。清晰易懂。对于该链的原理，在下面哦~。

'''
和上面保持一致
'''

prompt_template = "What is a good name for a company that makes {product}? 用中文回答"

llm_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate.from_template(prompt_template)
)

'''
chain.__call__ 方法：
'''
print("chain.__call__ = ", llm_chain("colorful socks"))

'''
chain.run 方法：
'''
print("llm_chain.output_keys = ", llm_chain.output_keys)
print("chain.run = ", llm_chain.run({"product": "colorful socks"}))

input_list = [
    {"product": "socks"},
    {"product": "computer"},
    {"product": "shoes"}
]

'''
chain.apply 方法：
'''
print("chain.apply = ", llm_chain.apply(input_list))

'''
chain.generate 方法：
'''
print("chain.generate = ", llm_chain.generate(input_list))

'''
chain.predict 方法：
'''
print("chain.predict = ", llm_chain.predict(product="colorful socks"))

对于LLMchain链来说，代码的操作步骤如下：