Chain dalam LangChain

Apa itu chain, jenis chain, aliran asas daripada prompt ke output serta contoh LLMChain, SequentialChain dan RetrievalQA.

05Prompt dan Prompt Template 07Agent dalam LangChain 12Retrieval Augmented Generation (RAG) dalam LangChain

6.1

Apa itu Chain?

Chain ialah urutan langkah (komponen) yang dilaksanakan mengikut susunan logik.
Ia memudahkan aliran kerja kompleks dengan menggabungkan beberapa komponen.
Chain boleh merangkumi LLM, prompt, alat, retriever, memory, dsb.
LangChain menyediakan pelbagai jenis chain untuk pelbagai kes penggunaan.

6.2

Mengapa Menggunakan Chain?

Membantu membina aliran kerja berbilang langkah.
Mudah menggabungkan beberapa komponen.
Mengurangkan kod boilerplate.
Menyokong penghuraian input/output.
Berguna untuk RAG, ejen, pemprosesan dokumen, integrasi API, dsb.
Menyediakan antara muka piawai untuk aplikasi LLM yang kompleks.

6.3

Jenis Chain dalam LangChain

Jenis Chain	Penerangan
LLMChain	Chain asas dengan LLM dan prompt.
SequentialChain	Jalankan beberapa chain secara berurutan.
SimpleSequentialChain	Chain berurutan dengan I/O mudah.
RouterChain	Halakan input ke chain yang berbeza.
RetrievalQA Chain	Gabungkan retriever dengan LLM untuk RAG.
ConversationChain	Kekalkan perbualan (dengan memory).
MapReduceChain	Proses dokumen besar secara selari.
TransformChain	Logik transformasi tersuai.

6.4

Seni Bina Chain Asas

InputPertanyaan pengguna

Prompt TemplateFormat input

LLMOpenAI, Claude, etc.

Output ParserHuraikan respons

Output AkhirJawapan

6.5

LLMChain

python

from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain.chains import LLMChain

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)

prompt = PromptTemplate(
    input_variables=["topic"],
    template="Explain {topic} in simple words."
)

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

response = chain.invoke({"topic": "Microservices"})
print(response["text"])

6.6

SequentialChain

python

from langchain.chains import SequentialChain
from langchain.chains import LLMChain

chain1 = LLMChain(llm=llm, prompt=PromptTemplate(
    input_variables=["topic"],
    template="Give a short summary of {topic}."
))
chain2 = LLMChain(llm=llm, prompt=PromptTemplate(
    input_variables=["summary"],
    template="List key points from this summary: {summary}"
))

sequential_chain = SequentialChain(
    chains=[chain1, chain2],
    input_variables=["topic"],
    output_variables=["summary", "points"]
)

result = sequential_chain.invoke({"topic": "LangChain"})
print(result)

6.7

RetrievalQA Chain (RAG)

python

from langchain_openai import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import OpenAIEmbeddings

llm = ChatOpenAI(model="gpt-3.5-turbo")
embedding = OpenAIEmbeddings()
vectorstore = FAISS.load_local("./faiss_index", embedding,
                               allow_dangerous_deserialization=True)
retriever = vectorstore.as_retriever()

chain = RetrievalQA.from_chain_type(llm=llm,
                                    retriever=retriever)

response = chain.invoke({"query": "What is LangChain?"})
print(response["result"])

6.8

Pengajaran Utama

Chain membantu mencipta aliran kerja berstruktur dan boleh digunakan semula.
Pilih chain yang sesuai mengikut kes penggunaan anda.
Gunakan RetrievalQA chain untuk aplikasi RAG.
Chain berurutan berguna untuk tugas berbilang langkah.
Kita juga boleh mencipta chain tersuai apabila perlu.
Chain boleh digabungkan dengan memory, alat dan output parser.