释放双眼，带上耳机，听听看~！
本文介绍了LangChain系列的四个Prompts和五个输出解析器，以及LLMChain的基本功能和用法，适合想要开始AI应用开发的读者学习。
欢迎来到我的LangChain系列，如果您也和我一样,想通过学习LangChain开始AI应用开发。那就请一起来学习它的各个功能模块和demo实例。
前言
LangChain将复杂的应用流程“链”了起来，今天，我们一起来学习Chain模块。
链有很多好处， 比如它可以让我们的AI应用更模块化，方便调试和协作。链定义了组件的调用顺序，也包括各式的链，来完成我们的应用开发。
LLMChain
LangChain提供了各式的链，各模块化的组件，当然有相应的链来封装。大模型处理这块，最简单的LLMChain上场了。LLMChain包括以下组件：
- LLM
- PromptTemplate
LLM 和Prompt 是AI应用的基础，LLMChain将两者结合封装后，向外提供的运行语义就简单多了。
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}?",
)
首先我们实例化了llm和prompt。
from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)
接着， 将llm和prompt组合起来，实例化LLMChain。
print(chain.run("green"))
print(chain.run("cyan"))
print(chain.run("magento"))
最后，我们要向大模型提问，就是向LLMChain提问。
LangChainHub
LangChain也提供了一个Hub 来收集并分享常用的LangChain基本元素。github.com/hwchase17/l…, 点开我们可以玩一些Chain。
- hello world 链
首先，每个链都有一个json文件。
由前几节的内容，我们应该能够理解这个json文件，它里面定义了prompt 的模板、参数，llm的模型、自由度等参数，output_key 表明输出是文本。看完我们就知道怎么用了。
- 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）
- llm-math
让我们来玩下数学链。
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")
在这里， 我们选择从hub里加载。我们加载了load_chain模块，从LangChainHub加载llm-math。
chain.run("whats the area of a circle with radius 2?")
基于math chain 提出计算面积的问题。
> Entering new LLMMathChain chain...
whats the area of a circle with radius 2?
Answer: 12.566370614359172
> Finished chain.
Answer: 12.566370614359172
总结
本文介绍了LangChain的Chain模块，AI模块化的能力确实得到提升。
参考资料
本网站的内容主要来自互联网上的各种资源，仅供参考和信息分享之用，不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益，请联系我们，我们将尽快采取行动，包括删除或更正。
