标签：LangCahin flower chain langchain result llm import

LLMchain

链其实可以被视为 LangChain 中的一种基本功能单元。

 

相当于直接调用内部的 _call_ or run 


# 导入所需的库from langchain import Prompt Template, OpenAI, LLMChain

# 原始字符串模板
template = "{flower}的花语是?"
# 创建模型实例
llm = OpenAI(temperature=0)
# 创建LLMChain
llm_chain = LLMChain( llm=llm, prompt=PromptTemplate.from_template(template))
# 调用LLMChain，返回结果
result = llm_chain("玫瑰")
print(result)


# chain(参数dict)  ~ chain.__call__

prompt = PromptTemplate(
    input_variables=["flower", "season"],
    template="{flower}在{season}的花语是?",
)
llm_chain = LLMChain(llm=llm, prompt=prompt)
print(llm_chain({
    'flower': "玫瑰",
    'season': "夏季" }))

# chain.predict(flower="玫瑰")
result = llm_chain.predict(flower="玫瑰")print(result)


# apply允许您针对输入列表运行链
input_list = [ {"flower": "玫瑰",'season': "夏季"}, {"flower": "百合",'season': "春季"}, {"flower": "郁金香",'season': "秋季"}]
result = llm_chain.apply(input_list)
print(result)

generate 方法类似于 apply，只不过它返回一个 LLMResult 对象，而不是字符串。LLMResult 通常包含模型生成文本过程中的一些相关信息，例如令牌数量、模型名称等。
result = llm_chain.generate(input_list)print(result)

　Sequential Chain：顺序链

from langchain.llms import OpenAIfrom langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.chains import SequentialChain

# 这是总的链，我们按顺序运行这三个链
overall_chain = SequentialChain(
    chains=[introduction_chain, review_chain, social_post_chain],
    input_variables=["name", "color"],
    output_variables=["introduction","review","social_post_text"],
    verbose=True)

# 运行链，并打印结果
result = overall_chain({"name":"玫瑰", "color": "黑色"})
print(result)

 

ReAct框架，推理与行动的协同

在 LangChain 中使用代理，我们只需要理解下面三个元素。

大模型：提供逻辑的引擎，负责生成预测和处理输入。

与之交互的外部工具：可能包括数据清洗工具、搜索引擎、应用程序等。

控制交互的代理：调用适当的外部工具，并管理整个交互过程的流程。

from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain.llms import OpenAI
llm = OpenAI(temperature=0)
tools = load_tools(["serpapi", "llm-math"], llm=llm)
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)

agent.run("目前市场上玫瑰花的平均价格是多少？如果我在此基础上加价15%卖出，应该如何定价？")

 

 

 

　

标签：LangCahin,flower,chain,langchain,result,llm,import
From： https://www.cnblogs.com/xzqpy/p/17903674.html