LLM Chain#
LLMChain 可能是查询 LLM 对象最流行的方式之一。它使用提供的输入键值（以及可用的内存键值）格式化提示模板，将格式化后的字符串传递给 LLM 并返回 LLM 输出。下面我们展示了 LLMChain 类的其他功能。
from langchain import PromptTemplate, OpenAI, LLMChain
prompt_template = "What is a good name for a company that makes {product}?"
llm = OpenAI(temperature=0)
llm_chain = LLMChain(
llm=llm,
prompt=PromptTemplate.from_template(prompt_template)
)
llm_chain("colorful socks")
{'product': 'colorful socks', 'text': ' Socktastic!'}
运行 LLM Chain 的其他方法#
除了所有 Chain 对象共享的 __call__ 和 run 方法（请参见入门指南了解更多信息），LLMChain 还提供了几种调用链逻辑的方法：
apply允许您对输入列表运行链：
input_list = [
{"product": "socks"},
{"product": "computer"},
{"product": "shoes"}
]
llm_chain.apply(input_list)
[{'text': ' Socktastic!'},
{'text': ' TechCore Solutions.'},
{'text': ' Footwear Factory.'}]
generate与apply类似，不同之处在于它返回一个LLMResult而不是字符串。LLMResult通常包含有用的生成信息，例如标记使用和完成原因。
llm_chain.generate(input_list)
LLMResult(generations=[[Generation(text=' Socktastic!', generation_info={'finish_reason': 'stop', 'logprobs': None})], [Generation(text=' TechCore Solutions.', generation_info={'finish_reason': 'stop', 'logprobs': None})], [Generation(text=' Footwear Factory.', generation_info={'finish_reason': 'stop', 'logprobs': None})]], llm_output={'token_usage': {'prompt_tokens': 36, 'total_tokens': 55, 'completion_tokens': 19}, 'model_name': 'text-davinci-003'})
predict与run方法类似，不同之处在于输入键是关键字参数而不是Python字典。
# Single input example
llm_chain.predict(product="colorful socks")
' Socktastic!'
# Multiple inputs example
template = """Tell me a {adjective} joke about {subject}."""
prompt = PromptTemplate(template=template, input_variables=["adjective", "subject"])
llm_chain = LLMChain(prompt=prompt, llm=OpenAI(temperature=0))
llm_chain.predict(adjective="sad", subject="ducks")
' Q: What did the duck say when his friend died?\nA: Quack, quack, goodbye.'
解析输出#
默认情况下，即使底层prompt对象具有输出解析器，LLMChain也不会解析输出。如果您想在LLM输出上应用该输出解析器，请使用predict_and_parse代替predict和apply_and_parse代替apply。
使用predict：
from langchain.output_parsers import CommaSeparatedListOutputParser
output_parser = CommaSeparatedListOutputParser()
template = """List all the colors in a rainbow"""
prompt = PromptTemplate(template=template, input_variables=[], output_parser=output_parser)
llm_chain = LLMChain(prompt=prompt, llm=llm)
llm_chain.predict()
' Red, orange, yellow, green, blue, indigo, violet'
使用predict_and_parser：
llm_chain.predict_and_parse()
['Red', 'orange', 'yellow', 'green', 'blue', 'indigo', 'violet']
从字符串初始化#
您还可以直接从字符串模板构建LLMChain。
template = """Tell me a {adjective} joke about {subject}."""
llm_chain = LLMChain.from_string(llm=llm, template=template)
llm_chain.predict(adjective="sad", subject="ducks")
' Q: What did the duck say when his friend died?\nA: Quack, quack, goodbye.'