我们笑着说再见，却深知再见遥遥无期。

01 Chain介绍

在LangChain 中，“Chain” 是指一系列可以串联起来执行特定任务的组件或模型。这些链条可以包括预处理、模型调用、后处理等步骤，它们共同工作以完成一个复杂的语言处理任务。

咱说点人话：Chain 是对我们之前介绍的一系列组件（LLM、Retrieval、Output parsers…）的组合与调用。

如果没有Chain我们能不能实现这些功能？答案是可以！因为再怎么花里胡哨，给到LLM的都是文本或者说都是矢量。（这里还是要提一嘴，技术还是要学到本质~）

02 基本使用

既然是基本使用，这里我们以LLMChain为例。

from langchain import OpenAI, PromptTemplate, LLMChain

# 创建一个提示模板
template = "帮我起一个最好的公司名，要求名字寓意好，与产品相关，这个公司是生产{product}的。"
prompt = PromptTemplate(input_variables=["product"], template=template)

# 初始化语言模型
llm = OpenAI(temperature=0.9)

# 创建 LLMChain
chain = LLMChain(llm=llm, prompt=prompt)

# 运行 Chain
result = chain.run(product="智能手表")
print(result)

03 LangChain内置Chain介绍

之所以有内置的Chain，目的就是为了简化LangChain的使用，将一些可能常用的LLM使用场景封装成Chain，开箱即用，简单方便~

create_stuff_documents_chain

该链获取文档列表并将它们全部格式化为提示，然后将该提示传递给 LLM。它传递所有文档，因此应该确保它适合正在使用的 LLM 的上下文窗口。

create_sql_query_chain

用于从自然语言构造 SQL 数据库的查询。

create_history_aware_retriever

该链接收对话历史记录，然后使用它来生成搜索查询，该查询将传递给底层检索器。

create_retrieval_chain

该链接收用户查询，然后将其传递给检索器以获取相关文档。然后，这些文档（和原始输入）被传递给 LLM 以生成响应。

load_qa_with_sources_chain

对传递的文件进行问题解答，并引用其来源。如果希望答案响应在文本响应中包含源，请使用此选项。当想要直接传入文档（而不是依赖检索器来获取文档）时，请使用 RetrievalQAWithSourcesChain。

load_summarize_chain

用于总结文档。

RetrievalQA

该链首先执行检索步骤以获取相关文档，然后将这些文档传递到 LLM 中以生成响应。

RetrievalQAWithSourcesChain

对检索到的文件进行问答，并引用其来源。如果希望答案响应在文本响应中包含源，请使用此选项。当想使用检索器将相关文档作为链的一部分（而不是传入它们）时，请使用 load_qa_with_sources_chain。

QAGenerationChain

从文档创建问题和答案。用于生成用于评估检索项目的问答对。

04 总结

LangChain 的 Chains 模块是一系列调用的序列，可以涉及 LLM（大型语言模型）、工具或数据预处理步骤。

基于LangChain内置的一些预定义Chain，我们可以非常方便的创建我们的AI应用。比如总结文档、知识库问答等等。但是本篇文章并没有涉及代码的输出，各位在使用的时候还是要自己去看下相关文档，锻炼一下自己阅读源码的能力~为防止有些同学实在需要代码，我这里贴了一部分代码截图，如下：

如果能帮我点个免费的关注，那就是对我个人的最大的肯定。如果觉得写的还行，分享一下也是我生活的小确幸~

以上内容依据官方文档编写，官方地址：https://python.langchain.com/docs/modules/chains

Peace Guys~

• 【LangChain进阶教程】十二、LangChain进阶之Agents
• 【LangChain进阶教程】十一、LangChain进阶之Tools
• 【LangChain进阶教程】十、LangChain进阶之Retrievers
• 【LangChain进阶教程】九、LangChain进阶之Vector Stores