理解 Composition API Vue 的基礎與模式
你可能也喜歡這些API文章!
那我們要講的第一個鏈就是最基礎的——LLM Chain。這個鏈其實在使用上和我們第一節課聊到的非常類似，只是在具體的用法上更加靈活。比如我們能夠直接使用LLM Chain就能把記憶模塊以及結構化輸出等模塊直接鏈接在里面，下面我們就來一起學習一下這個模塊吧！
LLMChain 是 LangChain 提供的一個用于構建邏輯鏈的模塊，它結合了大語言模型（LLM）和提示模板（Prompt Template），從而實現對模型交互邏輯的封裝。通過 LLMChain，開發者可以：
簡單來說，LLMChain 是開發者與 LLM 交互的橋梁。
LLMChain 的核心組件：
在使用 LLMChain 時，需要理解以下三個核心組件：
以下是一個完整的代碼示例，展示如何使用 LLMChain 與 ChatTongyi 進行簡單的對話：
import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain.chains import LLMChain
from langchain.prompts import ChatPromptTemplate
# 設置 API 密鑰
os.environ["DASHSCOPE_API_KEY"] = 'YOUR_SECRET_KEY'
# 初始化 ChatTongyi 模型
llm = ChatTongyi()
# 使用 ChatPromptTemplate 創建提示模板
prompt = ChatPromptTemplate.from_template("{question}")
# 構建對話鏈
conversation = LLMChain(
llm=llm,
prompt=prompt
)
# 輸入對話內容
input_question = "你是誰？"
# 進行對話，使用 invoke 方法傳遞參數
response_1 = conversation.invoke(input_question)
print(response_1["text"]) # 打印模型的回答首先，我們需要導入必要的模塊并通過環境變量設置 API 密鑰，這一步是為了與 ChatTongyi 模型建立連接。通過?os.environ["DASHSCOPE_API_KEY"]，我們將密鑰信息傳遞給系統，確保模型可以正常運行。
import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain.chains import LLMChain
from langchain.prompts import ChatPromptTemplate
# 設置 API 密鑰
os.environ["DASHSCOPE_API_KEY"] = 'YOUR_SECRET_KEY'接下來是初始化模型。在代碼中，ChatTongyi()?是一個用于創建大語言模型實例的方法。它負責加載并準備模型以供后續使用。
# 初始化 ChatTongyi 模型
llm = ChatTongyi()然后，我們通過?ChatPromptTemplate.from_template("{question}")?創建了一個提示模板。在模板中，{question}?是一個占位符，用于動態填充用戶輸入的問題。這種模板化的設計，讓與模型的交互變得更加靈活。
# 使用 ChatPromptTemplate 創建提示模板
prompt = ChatPromptTemplate.from_template("{question}")接下來的核心步驟是構建對話鏈。通過?LLMChain，我們將大語言模型和提示模板結合在一起，形成一個可用的交互鏈條。這個鏈條封裝了底層邏輯，開發者只需要專注于輸入和輸出。
# 構建對話鏈
conversation = LLMChain(
llm=llm,
prompt=prompt
)最后，通過?invoke?方法，我們向對話鏈傳遞了用戶的問題，即?input_question，模型根據提示模板生成回答。通過?print(response["text"])，我們可以直觀地看到模型的輸出結果。
# 輸入對話內容
input_question = "你是誰？"
# 進行對話，使用 invoke 方法傳遞參數
response_1 = conversation.invoke(input_question)
print(response_1["text"]) # 打印模型的回答調用完成后，我們就可以在終端里看到大模型給予我們的回復。
我是來自阿里云的大規模語言模型，我叫通義千問。但是假如單純只是這樣將大模型和提示詞結合起來并不能展示出langchian的價值，這是因為我們在通義千問官方平臺的調用其實也已經能夠做到這一點了，因此其實我們還可以往這個鏈里面加多一些特別的東西，比如說上節課學習的記憶模塊！
為了將記憶模塊引入，我們需要對代碼進行一些調整。首先，提示詞模板需要新增一個變量?{memory}?來承接記憶信息。示例如下：
# 創建對話模板，包含歷史對話和當前問題
prompt = ChatPromptTemplate.from_template('''
過往對話：
{history}
用戶的問題是：
{question}
''')接下來，我們不需要在?.invoke()?方法中額外手動添加新變量，只需在創建?LLMChain?時，將?memory?設置為合適的記憶模塊即可：
# 構建對話鏈，包含模型、提示模板和對話記憶
conversation = LLMChain(
llm=llm,
prompt=prompt,
memory=ConversationBufferMemory(), # 存儲上下文的對話記憶
verbose = True
)那這個時候，langchian就會自然而然的把這個記憶部分的內容加入進去了！大家可以通過下面的案例進行嘗試：
import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain.chains import LLMChain
from langchain.prompts import ChatPromptTemplate
from langchain.memory import ConversationBufferMemory
# 設置 API 密鑰
os.environ["DASHSCOPE_API_KEY"] = 'YOUR_SECRET_KEY'
# 初始化通義千問模型
llm = ChatTongyi()
# 創建對話模板，包含歷史對話和當前問題
prompt = ChatPromptTemplate.from_template('''
過往對話：
{history}
用戶的問題是：
{question}
''')
# 構建對話鏈，包含模型、提示模板和對話記憶
conversation = LLMChain(
llm=llm,
prompt=prompt,
memory=ConversationBufferMemory(), # 存儲上下文的對話記憶
verbose = True
)
# 第一次對話：用戶告訴模型自己的名字
input_question1 = "我是李劍鋒"
response_1 = conversation.invoke(input_question1)
print("模型回答:", response_1["text"])
# 第二次對話：用戶詢問模型的身份
input_question2 = "你是誰？"
response_2 = conversation.invoke(input_question2)
print("模型回答:", response_2["text"])
# 第三次對話：用戶測試模型是否記住了自己的名字
input_question3 = "你還記得我叫什么嗎？"
response_3 = conversation.invoke(input_question3)
print("模型回答:", response_3["text"])我們從結果中可以得知，模型記住了我的名字！假如我們不希望打印中間的過程內容，我們可以把前面的verbose=False即可。
> Entering new LLMChain chain...
Prompt after formatting:
Human:
過往對話：
用戶的問題是：
我是李劍鋒
> Finished chain.
模型回答: 你好，李劍鋒！很高興認識你。你可以問我任何問題，我會盡力回答它們。或者，如果你需要幫助，我也很樂意提供幫助。
> Entering new LLMChain chain...
Prompt after formatting:
Human:
過往對話：
Human: 我是李劍鋒
AI: 你好，李劍鋒！很高興認識你。你可以問我任何問題，我會盡力回答它們。或者，如果你需要幫助，我也很樂意提供幫助。
用戶的問題是：
你是誰？
> Finished chain.
模型回答: 我是來自阿里云的大規模語言模型，我叫通義千問。
> Entering new LLMChain chain...
Prompt after formatting:
Human:
過往對話：
Human: 我是李劍鋒
AI: 你好，李劍鋒！很高興認識你。你可以問我任何問題，我會盡力回答它們。或者，如果你需要幫助，我也很樂意提供幫助。
Human: 你是誰？
AI: 我是來自阿里云的大規模語言模型，我叫通義千問。
用戶的問題是：
你還記得我叫什么嗎？
> Finished chain.
模型回答: 當然記得，你是李劍鋒。那除了傳入單一問題變量?{current_question}?外，我們還可以嘗試加入其他變量。例如，如果希望大模型根據指定的語氣?{tone}?回復，我們需要對提示詞模板進行調整：
# 創建對話模板，包含多個變量（如歷史對話、當前問題和語氣）
prompt = ChatPromptTemplate.from_template('''
過往對話：
{history}
當前問題：
{current_question}
語氣：
{tone}
''')另外在調用?.invoke()?方法時，我們需要以字典的格式傳入多個變量：
# 第一次對話：用戶告訴模型自己的名字，語氣為友好
input_question1 = "我是李劍鋒"
input_tone1 = "友好"
response_1 = conversation.invoke({"current_question": input_question1, "tone": input_tone1})
print("模型回答:", response_1["text"])
# 第二次對話：用戶詢問模型的身份，語氣為正式
input_question2 = "你是誰？"
input_tone2 = "正式"
response_2 = conversation.invoke({"current_question": input_question2, "tone": input_tone2})
print("模型回答:", response_2["text"])
# 第三次對話：用戶測試模型是否記得自己的名字，語氣為隨意
input_question3 = "你還記得我叫什么嗎？"
input_tone3 = "隨意"
response_3 = conversation.invoke({"current_question": input_question3, "tone": input_tone3})
print("模型回答:", response_3["text"])但是我們會發現程序無法正常運行，出現的報錯信息為：
ValueError: One input key expected got ['tone', 'current_question'] 報錯的核心原因是 ConversationBufferMemory 僅支持單一的輸入鍵，而代碼中傳遞了多個輸入鍵（tone 和 current_question），導致沖突。通過觀察前面 ConversationBufferMemory 的工作方式可以發現，它只會將提示詞中最關鍵的問題部分（即 current_question）保存為對話記憶，而不會處理其他額外的變量（如 tone）。
為了解決這個問題，可以采用以下兩種方法：
tone 和 current_question 合并為一個鍵值后再傳入，避免多個輸入鍵的沖突。ConversationBufferMemory 中指定 input_key 參數，讓其只保存 current_question，忽略語氣變量的影響。以下是調整后的實現代碼，采用了第二種方式：
# 構建對話鏈，包含模型、提示模板和對話記憶
conversation = LLMChain(
llm=llm,
prompt=prompt,
memory = ConversationBufferMemory(input_key="current_question"),
verbose=True
)這樣調整了以后我們就會發現程序能夠正常運行了并給出合適的回復。
> Entering new LLMChain chain...
Prompt after formatting:
Human:
過往對話：
當前問題：
我是李劍鋒
語氣：
友好
> Finished chain.
模型回答: 你好，李劍鋒！很高興認識你。有什么可以幫到你的嗎？或者你只是想聊聊天？
> Entering new LLMChain chain...
Prompt after formatting:
Human:
過往對話：
Human: 我是李劍鋒
AI: 你好，李劍鋒！很高興認識你。有什么可以幫到你的嗎？或者你只是想聊聊天？
當前問題：
你是誰？
語氣：
正式
> Finished chain.
模型回答: 我是來自阿里云的大規模語言模型，我叫通義千問。
> Entering new LLMChain chain...
Prompt after formatting:
Human:
過往對話：
Human: 我是李劍鋒
AI: 你好，李劍鋒！很高興認識你。有什么可以幫到你的嗎？或者你只是想聊聊天？
Human: 你是誰？
AI: 我是來自阿里云的大規模語言模型，我叫通義千問。
當前問題：
你還記得我叫什么嗎？
語氣：
隨意
> Finished chain.
模型回答: 當然記得，你好，李劍鋒！有什么事情我可以幫助你嗎？完整的代碼如下所示：
import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain.chains import LLMChain
from langchain.prompts import ChatPromptTemplate
from langchain.memory import ConversationBufferMemory
# 設置 API 密鑰
os.environ["DASHSCOPE_API_KEY"] = 'YOUR_SECRET_KEY'
# 初始化通義千問模型
llm = ChatTongyi()
# 創建對話模板，包含多個變量（如歷史對話、當前問題和語氣）
prompt = ChatPromptTemplate.from_template('''
過往對話：
{history}
當前問題：
{current_question}
語氣：
{tone}
''')
# 構建對話鏈，包含模型、提示模板和對話記憶
conversation = LLMChain(
llm=llm,
prompt=prompt,
memory = ConversationBufferMemory(input_key="current_question"),
verbose=True
)
# 第一次對話：用戶告訴模型自己的名字，語氣為友好
input_question1 = "我是李劍鋒"
input_tone1 = "友好"
response_1 = conversation.invoke({"current_question": input_question1, "tone": input_tone1})
print("模型回答:", response_1["text"])
# 第二次對話：用戶詢問模型的身份，語氣為正式
input_question2 = "你是誰？"
input_tone2 = "正式"
response_2 = conversation.invoke({"current_question": input_question2, "tone": input_tone2})
print("模型回答:", response_2["text"])
# 第三次對話：用戶測試模型是否記得自己的名字，語氣為隨意
input_question3 = "你還記得我叫什么嗎？"
input_tone3 = "隨意"
response_3 = conversation.invoke({"current_question": input_question3, "tone": input_tone3})
print("模型回答:", response_3["text"])如果我們希望像之前一樣，在對話中加入 SystemMessage（系統信息），在 LangChain 中實現這一功能其實非常簡單。
首先，我們需要從?langchain.prompts?中導入?SystemMessagePromptTemplate?和?HumanMessagePromptTemplate。這是因為我們不再使用單一的?ChatPromptTemplate，而是需要更細化地對?System?和?Human?兩部分的輸入分別進行設置：
from langchain.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate接下來，利用?SystemMessagePromptTemplate?來定義系統角色（如希望模型扮演的身份或任務）。與此同時，將原來的提示詞模板改為?HumanMessagePromptTemplate?的格式，盡管直接使用?ChatPromptTemplate?也可以完成基礎功能，但這種方式更靈活和模塊化。最后，通過?ChatPromptTemplate.from_messages?將系統信息和用戶提示詞組合到一起。以下是示例代碼：
# 創建系統消息模板，用于設定模型的行為或角色
system_message = SystemMessagePromptTemplate.from_template("你是一個專業且友好的助手，請根據用戶的語氣調整回答風格。")
# 創建輸入信息，包含多個變量（如歷史對話、當前問題和語氣）
human_message = HumanMessagePromptTemplate.from_template('''
過往對話：
{history}
當前問題：
{current_question}
語氣：
{tone}
''')
# 合并系統消息和用戶消息到最終提示模板
prompt = ChatPromptTemplate.from_messages([system_message, human_message])我們運行一下代碼就會發現SystemMessage確實加入進去了！并且調整后可以更加匹配我們的風格進行回復！這種方式讓我們能夠更加個性化地設計對話流，從而實現更精確的控制和更自然的交互效果。
> Entering new LLMChain chain...
Prompt after formatting:
System: 你是一個專業且友好的助手，請根據用戶的語氣調整回答風格。
Human:
過往對話：
當前問題：
我是李劍鋒
語氣：
友好
> Finished chain.
模型回答: 你好，李劍鋒！很高興見到你。有什么我可以幫你的嗎？
> Entering new LLMChain chain...
Prompt after formatting:
System: 你是一個專業且友好的助手，請根據用戶的語氣調整回答風格。
Human:
過往對話：
Human: 我是李劍鋒
AI: 你好，李劍鋒！很高興見到你。有什么我可以幫你的嗎？
當前問題：
你是誰？
語氣：
正式
> Finished chain.
模型回答: 我是李劍鋒的AI助手，負責提供信息和幫助解決問題。請問您需要了解什么？
> Entering new LLMChain chain...
Prompt after formatting:
System: 你是一個專業且友好的助手，請根據用戶的語氣調整回答風格。
Human:
過往對話：
Human: 我是李劍鋒
AI: 你好，李劍鋒！很高興見到你。有什么我可以幫你的嗎？
Human: 你是誰？
AI: 我是李劍鋒的AI助手，負責提供信息和幫助解決問題。請問您需要了解什么？
當前問題：
你還記得我叫什么嗎？
語氣：
隨意
> Finished chain.
模型回答: 當然記得，你是李劍鋒！有什么事情需要我幫忙的嗎，李劍鋒？這部分完整的代碼如下所示：
import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain.chains import LLMChain
from langchain.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate
from langchain.memory import ConversationBufferMemory
# 設置 API 密鑰
os.environ["DASHSCOPE_API_KEY"] = 'YOUR_SECRET_KEY'
# 初始化通義千問模型
llm = ChatTongyi()
# 創建系統消息模板，用于設定模型的行為或角色
system_message = SystemMessagePromptTemplate.from_template("你是一個專業且友好的助手，請根據用戶的語氣調整回答風格。")
# 創建對話模板，包含多個變量（如歷史對話、當前問題和語氣）
human_message = HumanMessagePromptTemplate.from_template('''
過往對話：
{history}
當前問題：
{current_question}
語氣：
{tone}
''')
# 合并系統消息和用戶消息到最終提示模板
prompt = ChatPromptTemplate.from_messages([system_message, human_message])
# 構建對話鏈，包含模型、提示模板和對話記憶
conversation = LLMChain(
llm=llm,
prompt=prompt,
memory = ConversationBufferMemory(input_key="current_question"),
verbose=True
)
# 第一次對話：用戶告訴模型自己的名字，語氣為友好
input_question1 = "我是李劍鋒"
input_tone1 = "友好"
response_1 = conversation.invoke({"current_question": input_question1, "tone": input_tone1})
print("模型回答:", response_1["text"])
# 第二次對話：用戶詢問模型的身份，語氣為正式
input_question2 = "你是誰？"
input_tone2 = "正式"
response_2 = conversation.invoke({"current_question": input_question2, "tone": input_tone2})
print("模型回答:", response_2["text"])
# 第三次對話：用戶測試模型是否記得自己的名字，語氣為隨意
input_question3 = "你還記得我叫什么嗎？"
input_tone3 = "隨意"
response_3 = conversation.invoke({"current_question": input_question3, "tone": input_tone3})
print("模型回答:", response_3["text"])相比于上節課學到的?ConversationChain，LLMChain?提供了更高的靈活性和擴展性，其核心價值在于對模型調用邏輯的精細化管理和模塊化設計。通過結合提示模板（Prompt Template）、記憶模塊（Memory）、以及多變量輸入等功能，LLMChain?能夠支持更復雜的場景，比如多輪對話、多任務鏈式調用、動態上下文傳遞等。而?ConversationChain?更適合快速實現基礎的對話功能，局限于單一的輸入和輸出邏輯。使用?LLMChain，開發者可以輕松構建結構化的交互流程，將模型的能力與特定場景需求結合，尤其在需要個性化輸出、多模塊集成（如記憶、數據庫、API 調用）時，LLMChain?顯得更加不可或缺。因此，LLMChain?是一個更加通用且可擴展的工具，適合復雜項目中更細致的邏輯實現和任務處理。
本文章轉載微信公眾號@機智流
