什么叫Chain，从字面意思理解，Chain是一个链，我们可以通过Chain来链接LangChain的各个组件和功能-模型之间彼此链接，或模型与其他组件链接。这种将多个组件相互链接，组合成一个链的想法简单但很强大。它简化了复杂应用程序的实现，并使之更加模块化，能够创建出单一的、连贯的应用程序，从而使调试、维护和改进应用程序变得容易。

我们可以简单的把Chain理解为通过设计好的一些链路去调用大模型，从而获取我们想要的结果。下面是一个例子：

首先我们让大模型扮演产品经理，给出小说推荐网站的产品设计。

有了产品设计后，由架构师进行初步的架构设计

现在架构设计也有了，来个程序员写SQL：

那，上面的这种promot链，我们用langchain怎么实现呢？

使用langchain实现

Sequential Chain

首先，导入所有需要的库

# 设置OpenAI API密钥
import os
os.environ["OPENAI_API_KEY"] = '你的OpenAI API Key'

from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.chains import SequentialChain

添加第一个LLMChain，生成小说网站的产品设计。LLMChain可以看作是链条的一个环节

# 这是第一个LLMChain，用于生成鲜花的介绍，输入为花的名称和种类
llm = OpenAI(temperature=.7)
template = """
你是一个产品经理，请你对{product}给出一个设计想法。"""
prompt_template = PromptTemplate(input_variables=["product"], template=template)
introduction_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="introduction")

添加第二个LLMChain，根据产品设计生成软件架构

# 这是第二个LLMChain，用于根据鲜花的介绍写出鲜花的评论
llm = OpenAI(temperature=.7)
template = """
你是一位软件架构师。给定一个{product}的设计，你需要给出产品软件架构说明和技术栈选型。

产品设计:
{introduction}
软件架构说明:"""
prompt_template = PromptTemplate(input_variables=["product", "introduction"], template=template)
review_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="framwork")

第三个Chain，根据产品架构生成SQL语句

# 这是第三个LLMChain，用于根据鲜花的介绍和评论写出一篇自媒体的文案
template = """
你是一个软件工程师，给定一个{product}的软件架构，请你给出其中主要的数据库表的SQL语句

软件架构:
{framwork}

SQL语句:
"""
prompt_template = PromptTemplate(input_variables=["product", "framwork"], template=template)
social_post_chain = LLMChain(llm=llm, prompt=prompt_template, output_key="sql_text")

最后，添加SequentialChain，把前面三个链串起来。

overall_chain = SequentialChain(
    chains=[introduction_chain, review_chain, social_post_chain],
    input_variables=["product"],
    output_variables=["introduction","framework","sql_text"],
    verbose=True)

# 运行链，并打印结果
result = overall_chain({"product":"小说推荐网站"})
print(result)

输出：

{
    "product": "小说推荐网站",
    "introduction": "作为一个产品经理，我会考虑以下设计想法来提高小说推荐网站的用户体验和吸引力：\n\n1. 个性化推荐：基于用户的阅读历史、喜好和评分等信息，为用户推荐个性化的小说列表。可以通过机器学习算法和数据分析来实现。\n\n2. 社交互动：为用户提供社交功能，让用户可以在网站上与其他读者交流、分享和评论小说。这样可以增加用户的参与度和忠诚度。\n\n3. 多维度分类：除了按照类型、作者、出版社等传统分类方式，还可以增加按照情节、主题、人物等多维度分类方式，让用户更容易找到自己喜欢的小说。\n\n4. 优质内容推荐：为用户推荐优质的小说内容，可以通过与出版社、作家等合作，或者通过专业编辑团队筛选出优秀的小说。\n\n5. 移动端适配：随着移动设备的普及，小说推荐网站需要适配移动端，提供更好的用户体验和便捷的阅读方式。\n\n6. 付费服务：为用户提供付费服务，例如VIP会员、广告免费等，以增加网站的收入和用户忠诚度。\n\n以上是我对小说推荐网站的设计想法，希望能够对您有所帮助。",
    "framework": "基于以上产品设计，我建议采用微服务架构，将不同的功能模块拆分成独立的服务，以提高系统的可扩展性和可维护性。具体架构如下：\n\n1. 用户服务：负责用户注册、登录、个人信息管理等功能。\n\n2. 推荐服务：基于用户的阅读历史、喜好和评分等信息，为用户推荐个性化的小说列表。\n\n3. 社交服务：负责用户之间的交流、分享和评论等社交功能。\n\n4. 分类服务：负责小说的多维度分类和搜索功能。\n\n5. 内容服务：负责小说的内容管理和优质内容推荐。\n\n6. 支付服务：负责用户付费服务的管理和支付功能。\n\n7. 移动端服务：负责移动端的适配和提供更好的用户体验和便捷的阅读方式。\n\n技术栈选型：\n\n1. 后端框架：Spring Boot、Spring Cloud\n\n2. 数据库：MySQL、Redis\n\n3. 消息队列：Kafka\n\n4. 搜索引擎：Elasticsearch\n\n5. 缓存：Redis\n\n6. 前端框架：React、Ant Design\n\n7. 移动端框架：React Native\n\n8. 机器学习算法：TensorFlow、Scikit-learn\n\n9. 云服务：AWS、阿里云\n\n以上是我对小说推荐网站的软件架构说明和技术栈选型建议，希望能够对您有所帮助。",
    "sql_text": "以下是主要的数据库表的SQL语句：\n\n1. 用户服务：\n\nCREATE TABLE users (\n  id INT PRIMARY KEY AUTO_INCREMENT,\n  username VARCHAR(50) NOT NULL,\n  password VARCHAR(50) NOT NULL,\n  email VARCHAR(50) NOT NULL,\n  phone VARCHAR(20),\n  avatar VARCHAR(100),\n  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,\n  updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP\n);\n\n2. 推荐服务：\n\nCREATE TABLE user_read_history (\n  id INT PRIMARY KEY AUTO_INCREMENT,\n  user_id INT NOT NULL,\n  book_id INT NOT NULL,\n  read_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP,\n  FOREIGN KEY (user_id) REFERENCES users(id),\n  FOREIGN KEY (book_id) REFERENCES books(id)\n);\n\nCREATE TABLE user_rating (\n  id INT PRIMARY KEY AUTO_INCREMENT,\n  user_id INT NOT NULL,\n  book_id INT NOT NULL,\n  rating INT NOT NULL,\n  FOREIGN KEY (user_id) REFERENCES users(id),\n  FOREIGN KEY (book_id) REFERENCES books(id)\n);\n\n3. 社交服务：\n\nCREATE TABLE comments (\n  id INT PRIMARY KEY AUTO_INCREMENT,\n  user_id INT NOT NULL,\n  book_id INT NOT NULL,\n  content TEXT NOT NULL,\n  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,\n  updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,\n  FOREIGN KEY (user_id) REFERENCES users(id),\n  FOREIGN KEY (book_id) REFERENCES books(id)\n);\n\n4. 分类服务：\n\nCREATE TABLE categories (\n  id INT PRIMARY KEY AUTO_INCREMENT,\n  name VARCHAR(50) NOT NULL,\n  parent_id INT,\n  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,\n  updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,\n  FOREIGN KEY (parent_id) REFERENCES categories(id)\n);\n\nCREATE TABLE book_category (\n  id INT PRIMARY KEY AUTO_INCREMENT,\n  book_id INT NOT NULL,\n  category_id INT NOT NULL,\n  FOREIGN KEY (book_id) REFERENCES books(id),\n  FOREIGN KEY (category_id) REFERENCES categories(id)\n);\n\n5. 内容服务：\n\nCREATE TABLE books (\n  id INT PRIMARY KEY AUTO_INCREMENT,\n  title VARCHAR(100) NOT NULL,\n  author VARCHAR(50) NOT NULL,\n  description TEXT NOT NULL,\n  cover VARCHAR(100),\n  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,\n  updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP\n);\n\n6. 支付服务：\n\nCREATE TABLE orders (\n  id INT PRIMARY KEY AUTO_INCREMENT,\n  user_id INT NOT NULL,\n  book_id INT NOT NULL,\n  amount DECIMAL(10,2) NOT NULL,\n  status INT NOT NULL,\n  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,\n  updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,\n  FOREIGN KEY (user_id) REFERENCES users(id),\n  FOREIGN KEY (book_id) REFERENCES books(id)\n);\n\n7. 移动端服务：\n\nCREATE TABLE devices (\n  id INT PRIMARY KEY AUTO_INCREMENT,\n  user_id INT NOT NULL,\n  device_token VARCHAR(100) NOT NULL,\n  device_type INT NOT NULL,\n  created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,\n  updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,\n  FOREIGN KEY (user_id) REFERENCES users(id)\n);"
}

langchain还提供了许多其他类型的链：https://python.langchain.com/docs/modules/chains

Router Chain

Sequential Chain只是根据设计好的思维链路进行思考，但有时我们会面临抉择，在收到不同的任务时让不同的角色去完成。例如，现在我们有两个角色：软件架构师，软件工程师，我们需要根据问题的内容决定让谁去回答问题。首先构建两个提示信息的模板：

# 构建两个场景的模板
frame_template = """你是一个经验丰富的软件架构师，擅长解答关于软件架构，技术选型的问题。
                        下面是需要你来回答的问题:
                        {input}"""

engineer_template = """你是一位软件工程师，擅长解决技术细节，代码编写的问题。
                        下面是需要你来回答的问题:
                        {input}"""

# 构建提示信息
prompt_infos = [
    {
        "key": "framework",
        "description": "擅长解答关于软件架构，技术选型的问题",
        "template": frame_template,
    },
    {
        "key": "engineer",
        "description": "擅长解决技术细节，代码编写的问题",
        "template": engineer_template,
    }]

初始化语言模型

# 初始化语言模型
from langchain.llms import OpenAI
import os
os.environ["OPENAI_API_KEY"] = '你的OpenAI Key'
llm = OpenAI()

构建目标链

# 构建目标链
from langchain.chains.llm import LLMChain
from langchain.prompts import PromptTemplate
chain_map = {}
for info in prompt_infos:
    prompt = PromptTemplate(template=info['template'], 
                            input_variables=["input"])
    print("目标提示:\n",prompt)
    chain = LLMChain(llm=llm, prompt=prompt,verbose=True)
    chain_map[info["key"]] = chain

目标链长这个样子：

目标提示:
 input_variables=['input'] output_parser=None partial_variables={} template='你是一个经验丰富的软件架构师，擅长解答关于软件架构，技术选型的问题。\n                        下面是需要你来回答的问题:\n                        {input}' template_format='f-string' validate_template=True
目标提示:
 input_variables=['input'] output_parser=None partial_variables={} template='你是一位软件工程师，擅长解决技术细节，代码编写的问题。\n                        下面是需要你来回答的问题:\n                        {input}' template_format='f-string' validate_template=True

构建路由链：

# 构建路由链
from langchain.chains.router.llm_router import LLMRouterChain, RouterOutputParser
from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE as RounterTemplate
destinations = [f"{p['key']}: {p['description']}" for p in prompt_infos]
router_template = RounterTemplate.format(destinations="\n".join(destinations))
print("路由模板:\n",router_template)
router_prompt = PromptTemplate(
    template=router_template,
    input_variables=["input"],
    output_parser=RouterOutputParser(),)
print("路由提示:\n",router_prompt)
router_chain = LLMRouterChain.from_llm(llm, 
                                       router_prompt,
                                       verbose=True)

路由模板的样子：

路由模板:
 Given a raw text input to a language model select the model prompt best suited for the input. You will be given the names of the available prompts and a description of what the prompt is best suited for. You may also revise the original input if you think that revising it will ultimately lead to a better response from the language model.

<< FORMATTING >>
Return a markdown code snippet with a JSON object formatted to look like:
```json
{{
    "destination": string \ name of the prompt to use or "DEFAULT"
    "next_inputs": string \ a potentially modified version of the original input
}}

REMEMBER: “destination” MUST be one of the candidate prompt names specified below OR it can be “DEFAULT” if the input is not well suited for any of the candidate prompts. REMEMBER: “next_inputs” can just be the original input if you don’t think any modifications are needed.

« CANDIDATE PROMPTS » framework: 擅长解答关于软件架构，技术选型的问题 engineer: 擅长解决技术细节，代码编写的问题

« INPUT » {input}

« OUTPUT »

路由提示: input_variables=[‘input’] output_parser=RouterOutputParser(default_destination=‘DEFAULT’, next_inputs_type=<class ‘str’>, next_inputs_inner_key=‘input’) partial_variables={} template=‘Given a raw text input to a language model select the model prompt best suited for the input. You will be given the names of the available prompts and a description of what the prompt is best suited for. You may also revise the original input if you think that revising it will ultimately lead to a better response from the language model.\n\n« FORMATTING »\nReturn a markdown code snippet with a JSON object formatted to look like:\njson\n{{\n "destination": string \\ name of the prompt to use or "DEFAULT"\n "next_inputs": string \\ a potentially modified version of the original input\n}}\n\n\nREMEMBER: “destination” MUST be one of the candidate prompt names specified below OR it can be “DEFAULT” if the input is not well suited for any of the candidate prompts.\nREMEMBER: “next_inputs” can just be the original input if you don't think any modifications are needed.\n\n« CANDIDATE PROMPTS »\nframework: 擅长解答关于软件架构，技术选型的问题\nengineer: 擅长解决技术细节，代码编写的问题\n\n« INPUT »\n{input}\n\n« OUTPUT »\n’ template_format=‘f-string’ validate_template=True

构建默认链，除了处理目标链和路由链之外，我们还需要准备一个默认链。如果路由链没有找到适合的链，那么，就以默认链进行处理。
```python
# 构建默认链
from langchain.chains import ConversationChain
default_chain = ConversationChain(llm=llm, 
                                  output_key="text",
                                  verbose=True)

最后，我们使用 MultiPromptChain 类把前几个链整合在一起，实现路由功能。这个 MultiPromptChain 类是一个多路选择链，它使用一个 LLM 路由器链在多个提示之间进行选择。MultiPromptChain 中有三个关键元素。

router_chain（类型 RouterChain）：这是用于决定目标链和其输入的链。当给定某个输入时，这个 router_chain 决定哪一个 destination_chain 应该被选中，以及传给它的具体输入是什么。
destination_chains（类型 Mapping[str, LLMChain]）：这是一个映射，将名称映射到可以将输入路由到的候选链。例如，你可能有多种处理文本输入的方法（或“链”），每种方法针对特定类型的问题。destination_chains 可以是这样一个字典：{‘weather’: weather_chain, ‘news’: news_chain}。在这里，weather_chain 可能专门处理与天气相关的问题，而 news_chain 处理与新闻相关的问题。
default_chain（类型 LLMChain）：当 router_chain 无法将输入映射到 destination_chains 中的任何一个链时，LLMChain 将使用此默认链。这是一个备选方案，确保即使路由器不能决定正确的链，也总有一个链可以处理输入。

它的工作流程如下：

输入首先传递给 router_chain。
router_chain 根据某些标准或逻辑决定应该使用哪一个 destination_chain。
输入随后被路由到选定的 destination_chain，该链进行处理并返回结果。如果 router_chain 不能决定正确的 destination_chain，则输入会被传递给 default_chain。
这样，MultiPromptChain 就为我们提供了一个在多个处理链之间动态路由输入的机制，以得到最相关或最优的输出。

# 构建多提示链
from langchain.chains.router import MultiPromptChain
chain = MultiPromptChain(
    router_chain=router_chain,
    destination_chains=chain_map,
    default_chain=default_chain,
    verbose=True)

开始运行吧：

print(chain.run("博客网站应该如何设计"))

输出如下：

> Entering new  chain...

> Entering new  chain...

> Finished chain.
framework: {'input': '博客网站应该如何设计'}

> Entering new  chain...
Prompt after formatting:
你是一个经验丰富的软件架构师，擅长解答关于软件架构，技术选型的问题。
                        下面是需要你来回答的问题:
                        博客网站应该如何设计

> Finished chain.

> Finished chain.
博客网站的设计应该考虑以下几个方面：

1. 用户体验：博客网站应该易于使用，用户可以轻松地找到他们感兴趣的内容。网站应该具有良好的导航和搜索功能，以便用户可以快速找到他们需要的信息。

2. 响应式设计：博客网站应该能够适应不同的设备和屏幕大小，包括桌面电脑、平板电脑和手机等。这样可以确保用户在任何设备上都能够方便地访问网站。
。。。。（略）

使用langchain实现#

Sequential Chain#

Router Chain#

使用langchain实现

Sequential Chain

Router Chain