Chains
一、Chains的本质
Chains是什么？
模块化：提高代码复用性，降低开发复杂性。
可维护性：易于理解和维护，方便修改和扩展。
灵活性：支持不同组合方式，适应多变需求。
Chains Introduction
Chains两种类型的链：通用链和实用链。
通用链：这些链使用一个大语言模型（LLM）根据给定的提示生成文本。比如LLM链和简单顺序链。它们主要依赖于单一的语言模型来完成文本生成的任务。
实用链：这些链将多个大语言模型（LLM）一起用于特定任务。例如，检索QA链可能用于问答系统，LLM数学链用于处理数学相关的工作，加载摘要链用于生成文本的摘要，而PAL链则可能用于特定的自然语言处理任务。
通用链和实用链
Chains能干什么？
Chains的灵活性使得我们可以根据具体需求将多个链组合在一起，或者将链与其他功能组件相结合，从而构建出更复杂、更强大的应用程序。
Legacy Chains 是一系列传统的工具链，用于处理和转换数据，执行特定的任务，并在早期的技术环境中提供关键的功能支持。
APIChain：将查询转换为API请求并执行，然后获取响应并传递给另一个语言模型（LLM）以作出响应。
OpenAPIEndpointChain：与APIChain类似，但专为与OpenAPI端点交互而优化。
ConversationalRetrievalChain：用于与文档进行对话。它接收问题和（可选的）先前的对话历史，然后使用LLM和检索器来获取相关文档，并作出响应。
StuffDocumentsChain：将一系列文档格式化为提示，并将其传递给LLM。
ReduceDocumentsChain：通过迭代减少文档来组合它们。它分批处理文档，然后将其传递给LLM，直到所有内容都适合在一个最终的LLM调用中处理。
MapReduceDocumentsChain：首先对每个文档进行LLM调用，然后使用ReduceDocumentsChain来减少它们。
RefineDocumentsChain：通过基于第一个文档生成初始答案，然后循环遍历其余文档来精炼答案。
MapRerankDocumentsChain：对每个文档进行LLM调用，并要求其提供答案和置信度分数。返回置信度最高的答案。
ElasticsearchDatabaseChain：将自然语言问题转换为ElasticSearch查询，执行它，然后总结响应。
LLMMath：将用户问题转换为数学问题并执行它。
LLMCheckerChain：使用第二次LLM调用来验证其初始答案。
LLMSummarizationChecker：使用一系列LLM调用来创建摘要，以确保其准确性。
Legacy Chains
二、Chains的原理
Chains的工作流程：通过定义链构造函数来初始化链，配置所需的组件和可能的其他链，以形成具有特定功能的执行流程。
Chains流程包含以下四个核心步骤：
Chain Constructor（链构造函数）：在LangChain中，链构造函数用于初始化链，设定其组件、配置及嵌套的其他链。
Function Calling（函数调用）：这指链是否需要调用外部函数，如OpenAI服务，以执行其任务。
Other Tools（其他工具）：除LangChain核心组件外，链可能还使用其他工具如数据库、API等以增强其功能。
When to Use（何时使用）：这部分提供指导，帮助开发者确定在何种场景或需求下使用特定的LangChain链最为合适。
Chains的工作流程
Chains的架构：Chains作为LangChain的核心组件，通过串联各个逻辑单元，实现了流程控制、数据传递和状态管理，使得复杂的业务逻辑能够高效、有序地执行。
流程控制：Chains通过特定的顺序将逻辑单元串联起来，确保业务流程按照预定的顺序执行。每个逻辑单元在Chains中都被视为一个节点，节点之间的连接形成了完整的业务流程。
数据传递：在Chains中，数据在各个节点之间流动。每个节点接收前一个节点的输出作为输入，并根据业务需求进行处理，然后将结果传递给下一个节点。这种数据传递方式实现了各个逻辑单元之间的无缝衔接。
状态管理：Chains还具备状态管理能力，允许节点在执行过程中修改自身的状态，并根据上一次的状态进行相应的操作。这有助于处理复杂的业务逻辑，提高代码的复用性和可维护性。
LangChain的架构
三、Chains的应用
LangChain Expression Language（LCEL）是一种声明式的方式，可以轻松地组合链。LCEL 从一开始就被设计为支持将原型投入生产，无需任何代码更改，从最简单的“提示+LLM”链到最复杂的链。
Chains的基本案例：prompt + model + output parser
在此链中，用户输入传递到提示模板，然后提示模板输出传递到模型，然后模型输出传递到输出解析器。
基本案例的流程
1. 提示（Prompt）：你创建了一个 ChatPromptTemplate 对象，该对象使用给定的模板字符串，并根据提供的输入（在这种情况下是主题）生成完整的提示。当你调用 prompt.invoke({"topic": "ice cream"}) 时，它会返回一个 ChatPromptValue 对象，该对象包含要传递给模型的完整提示。
ChatPromptTemplate
2. 模型（Model）：PromptValue作为输入传递给ChatModel，该模型处理后输出一个BaseMessage格式的回复。
ChatModel
如果我们的模型是一个大语言模型（LLM），它将输出一个字符串作为结果。
大语言模型（LLM）
3. 输出解析器（Output Parser）：最后，我们将模型输出传递给output_parser，它是一个BaseOutputParser，可以接受字符串或BaseMessage作为输入。其中，StrOutputParser专门将任何输入简单转换为字符串。
输出解析器（Output Parser）
RAG Search Example：在这个例子中，我们想要运行一个检索增强的生成链，以便在回答问题时添加一些上下文。
RAG Search Example的流程
该流程通过创建一个包含上下文和问题的RunnableParallel对象，将其传递给提示组件以生成PromptValue，然后将该值输入到OpenAI的大型语言模型(LLM)中以生成ChatMessage，最后通过输出解析器将其转换为Python字符串并返回。
1. 创建RunnableParallel对象：首先，创建一个RunnableParallel对象，它包含两个条目：一个是context（由检索器获取的文档结果），另一个是question（用户的原始问题）。为了传递问题，使用RunnablePassthrough来复制这个条目。
2. 传递给提示组件：将上述步骤中创建的字典传递给提示组件。提示组件接收用户输入的问题和检索到的文档（作为上下文），然后构建一个提示并输出一个PromptValue。
3. 模型组件评估：模型组件接收生成的提示，并将其传递给OpenAI的大型语言模型(LLM)进行评估。模型生成的输出是一个ChatMessage对象。
4. 输出解析：最后，output_parser组件接收一个ChatMessage对象，并将其转换为Python字符串。这个字符串是从调用方法中返回的最终结果。
