LangChain中的Chain（鍊）指的是一個具有輸入和輸出的單獨元件的模型。

LLMChain是最常見的鍊式模型之一。它由PromptTemplate、模型（LLM或ChatModel）和OutputParser（輸出解析器，可選）組成。LLMChain可以接受多個輸入變量，通過PromptTemplate将它們格式化為特定的Prompt。然後将其傳遞給LLM模型。最後，如果提供了OutputParser，則使用OutputParser将LLM的輸出解析為使用者期望的格式。

将LLM和Prompts結合在多步驟的工作流中，使用LLMChain 有許多鍊式搜尋的應用程式可以檢視哪些最适合您的用例。下面的連接配接包含了很多使用chain的應用，https://python.langchain.com/en/latest/modules/chains/how_to_guides.html

簡單鍊

## 導入基礎庫
from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.chains import SimpleSequentialChain
llm = OpenAI(temperature=1, openai_api_key=openai_api_key)
## 建立模闆
template = '''你的任務是根據使用者所提供的地區給出相應的菜肴
% USER LOCATION
{user_location}

你的回複:
'''
prompt_template = PromptTemplate(input_variables=["user_location"], template=template)
# 建立location的chain
location_chain = LLMChain(llm=llm, prompt=prompt_template)
## 接下來擷取chain的傳回結果輸入到下一個chain中

mealtemplate = '''給你一個菜肴，請告訴我如何在家做那道菜，給出具體的步驟來、
% MEAL
{user_meal}

您的回複:
'''
prompt_template = PromptTemplate(input_variables=["user_meal"], template=mealtemplate)
location_chain = LLMChain(llm=llm, prompt=prompt_template)
# 建立meal的chain
meal_chain = LLMChain(llm=llm, prompt=prompt_template)
# 建立簡單鍊
overall_chain = SimpleSequentialChain(chains=[location_chain, meal_chain], verbose=True)
review = overall_chain.run("湖北")

代碼使用SimpleSequentialChain類建立一個表示任務鍊的對象。對象接受一個鍊清單和一個詳細參數作為參數。verbose參數是一個布爾值，控制對象是否列印關于鍊執行的一些資訊。如果verbose為True，對象将列印每個鍊的名稱以及每個任務的輸入和輸出變量。如果verbose為False，對象将不輸出任何内容。

總結鍊

很容易運作通過長期大量的文檔，并得到一個摘要。檢查這個視訊的其他鍊類型除了 map-reduce

# 導入基礎庫
from langchain.chains.summarize import load_summarize_chain
from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
# 導入文檔
loader = TextLoader('data/PaulGrahamEssays/disc.txt')
documents = loader.load()

# 拆分文檔内容
text_splitter = RecursiveCharacterTextSplitter(chunk_size=700, chunk_overlap=50)
texts = text_splitter.split_documents(documents)

# There is a lot of complexity hidden in this one line. I encourage you to check out the video above for more detail
chain = load_summarize_chain(llm, chain_type="map_reduce", verbose=True)
chain.run(texts)

定制鍊

LangChain 提供了很多現成的連結，但是有時候您可能想要為您的特定用例建立一個自定義連結。我們将建立一個自定義鍊，用于連接配接2個 LLMChains 的輸出。定制鍊的步驟 1. Chain 類的子類化，類的方法重寫 2. 填寫 input _ key 和 output _ key 屬性 3. 添加顯示如何執行鍊的 _ call 方法

from langchain.chains import LLMChain
from langchain.chains.base import Chain

from typing import Dict, List


class ConcatenateChain(Chain):
    chain_1: LLMChain
    chain_2: LLMChain

    @property
    def input_keys(self) -> List[str]:
        # 兩個input_key的并集
        all_input_vars = set(self.chain_1.input_keys).union(set(self.chain_2.input_keys))
        return list(all_input_vars)

    @property
    def output_keys(self) -> List[str]:
        return ['concat_output']

    def _call(self, inputs: Dict[str, str]) -> Dict[str, str]:
        output_1 = self.chain_1.run(inputs)
        output_2 = self.chain_2.run(inputs)
        return {'concat_output': output_1 + output_2}
prompt_1 = PromptTemplate(
    input_variables=["product"],
    template="請給我生産 {product} 的公司的名稱?",
)
chain_1 = LLMChain(llm=llm, prompt=prompt_1)

prompt_2 = PromptTemplate(
    input_variables=["product"],
    template="請給我生産制作{product}的公司的口号?",
)
chain_2 = LLMChain(llm=llm, prompt=prompt_2)
## 連接配接chain
concat_chain = ConcatenateChain(chain_1=chain_1, chain_2=chain_2)
concat_output = concat_chain.run("彩色的襪子")
print(f"Concatenated output:\n{concat_output}")

Concatenated output: Rainbow Socks Co. "Step Into Colorful Comfort!"

內建Chain

LLM math，內建python，調用python來進行數學運算，傳回相應的結果

# 調用LLMMath
from langchain import OpenAI, LLMMathChain

llm = OpenAI(temperature=0)
llm_math = LLMMathChain(llm=llm, verbose=True)

llm_math.run("What is 13 raised to the .3432 power?")

結果如下所示

> Entering new LLMMathChain chain...
What is 13 raised to the .3432 power?
import math
print(math.pow(13, .3432))
Answer: 2.4116004626599237

> Finished chain.

調用python很好的解決了chatgpt較弱的數理能力，上述過程也可以了解為chatgpt的插件模式以下是一些常見的內建鍊及其功能。 LLM Math：結合Python解釋器完成資料計算 SQLDatabaseChain：集合sqlite資料庫完成查詢 qa_with_sources：基于多個文檔進行問答（底層用到Netwokx） LLMRequestChain：請求指定url查詢結果，并用llm解釋 PALChain：生成代碼并運作得出結果 APIChain：根據api文檔生成api請求

networkx是一個用Python語言開發的圖論與複雜網絡模組化工具，内置了常用的圖與複雜網絡分析算法，可以友善的進行複雜網絡資料分析、仿真模組化等工作。

LangChain之Chain

簡單鍊

總結鍊

定制鍊

內建Chain