As Intricacias das Cadeias da LangChain: Desbloqueando o Potencial de Soluções de Aprendizagem Multimodelos de Idiomas

python
from langchain.prompts import PromptTemplate
from langchain.llms import HuggingFace
from langchain.chains import LLMChain

prompt = PromptTemplate(
    input_variables=["city"],
    template="Descreva um dia perfeito em {city}?",
)

llm = HuggingFace(
          model_name="gpt-neo-2.7B", 
          temperature=0.9) 

llmchain = LLMChain(llm=llm, prompt=prompt)
llmchain.run("Paris")

python
from langchain.chains import TopicModellingChain

Aqui, a saída fornece uma lista de tópicos relevantes para o artigo científico fornecido sobre mudanças climáticas.


## A força das cadeias LangChain

O que torna as cadeias LangChain tão importantes?

As cadeias LangChain permitem aos usuários vincular sem esforço vários LLMs, amalgamando as forças de diferentes modelos e facilitando a execução de tarefas mais complexas e sofisticadas. Eles aumentam as habilidades dos arranjos tradicionais de modelos únicos, abrindo caminho para soluções inventivas para problemas intricados.

As cadeias LangChain representam um avanço substancial no mundo do LLM. Ao preencher as lacunas entre modelos de maneira acessível, eles podem se tornar uma ferramenta inestimável para desenvolvedores em todo o mundo, desde entusiastas até profissionais de nível empresarial. Com o poder das cadeias LangChain, não há limites para o que os modelos de aprendizado de idiomas podem realizar.

## Cadeias sem LLMs e prompts

Embora o PalChain discutido anteriormente exija um LLM (e um prompt correspondente) para analisar a pergunta do usuário escrita em linguagem natural, existem cadeias em LangChain que não precisam de um. Essas são principalmente cadeias de transformação que pré-processam o prompt, como remover espaços extras, antes de inseri-lo no LLM. Por exemplo:

```python
from langchain.chains import TrimSpacesChain

trim_chain = TrimSpacesChain()
prompt_limpo = trim_chain.run("   Como está o   clima   ?   ")
print(prompt_limpo)  # Outputs: "Como está o clima?"

from langchain.chains import SimpleSequentialChain
 
trim_chain = TrimSpacesChain()
llm_chain = LLMChain(llm=llm, prompt=prompt)
 
combined_chain = SimpleSequentialChain([trim_chain, llm_chain])
output = combined_chain.run("   Como está o   clima   ?   ")
print(output)  # Outputs AI-generated text based on the cleaned prompt

from langchain.agents import initialize_agent, AgentType, load_tools
from langchain.llms import OpenAI
 
llm = OpenAI(temperature=0)
tools = load_tools(["pal-math"], llm=llm)
agente = initialize_agent(ferramentas, llm, agente=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
 
resposta = agente.run("Se a minha idade é metade da idade do meu pai e ele fará 60 anos no próximo ano, qual é a minha idade atual?")
print(resposta)  # Saída: "Minha idade atual é de 29,5 anos."
 
Neste caso, o agente usa a ferramenta pal-math e um LLM da OpenAI para resolver um problema matemático embutido em uma prompt em linguagem natural. Ele demonstra um caso prático em que o agente traz um valor adicional ao entender o prompt, escolher a ferramenta correta para resolver a tarefa e, eventualmente, retornar uma resposta significativa.
 
---
 
Com as capacidades dinâmicas de cadeias e agentes no LangChain, os usuários podem projetar fluxos de trabalho de processamento de linguagem multi-etapas de forma flexível. Se você deseja pré-processar prompts, criar cadeias multi-LLM ou usar agentes para escolher dinamicamente LLMs e ferramentas, o LangChain fornece os blocos de construção para torná-lo possível.
 
# Caso de uso avançado: Gerar recomendações de filmes com base nos gêneros favoritos do usuário
 
Para este caso de uso, vamos trabalhar com duas cadeias:
 
Cadeia #1 - Uma cadeia LLM que pergunta ao usuário sobre seus gêneros favoritos de filmes.
Cadeia #2 - Outra cadeia LLM que usa os gêneros da primeira cadeia para recomendar filmes dos gêneros selecionados.
 
Em primeiro lugar, vamos criar a cadeia_one.
 
```python
template = '''Você é uma pesquisa de gênero de filmes. Pergunte ao usuário sobre seus gêneros favoritos.
 
Pergunte:'''
prompt_template = PromptTemplate(input_variables=[], template=template)
chain_one = LLMChain(llm=llm, prompt=prompt_template)

template = '''Você é um recomendador de filmes. Dados os gêneros favoritos do usuário: {genres}, sugira alguns filmes que se enquadram nesses gêneros.
 
Sugira filmes:'''
prompt_template = PromptTemplate(input_variables=["genres"], template=template)
chain_two = LLMChain(llm=llm, prompt=prompt_template)

from langchain.chains import SimpleSequentialChain
 
overall_chain = SimpleSequentialChain(
    chains=[chain_one, chain_two],
    verbose=True)

overall_chain.run('Quais são seus gêneros favoritos de filmes?')
 
# SAÍDA
# > Entrando em uma nova cadeia SimpleSequentialChain...
# > Entrando no novo LLMChain...
# Gêneros favoritos: Ação, Drama, Comédia
# > Chain concluída.
 
# Dado seus gêneros favoritos: Ação, Drama, Comédia, algumas recomendações de filmes seriam:
# Ação: Duro de Matar, Mad Max: Estrada da Fúria, Batman - O Cavaleiro das Trevas
# Drama: Um Sonho de Liberdade, A Lista de Schindler, Forrest Gump
# Comédia: Superbad, Se Beber, Não Case!, Missão Madrinha de Casamento
# > Chain concluída.
 
O primeiro LLMChain pede pelos gêneros favoritos e o segundo usa essas informações para gerar recomendações de filmes. Isso é um ótimo exemplo de como é possível combinar vários LLMChains em uma SimpleSequentialChain para criar um sistema de recomendação de filmes personalizado.
 
Agora, imagine que você também queira obter algumas informações adicionais do usuário, como a duração de filmes preferida. Podemos atualizar a chain_dois para receber outra variável de entrada, movie_length.
 
```python
template = '''Você é um recomedador de filmes. Dados os gêneros favoritos do usuário: {genres} e a duração preferida de filmes: {movie_length}, sugira alguns filmes que se enquadrem nesses gêneros.
 
Sugestão de filmes:'''
prompt_template = PromptTemplate(input_variables=["genres", "movie_length"], template=template)
chain_two = LLMChain(llm=llm, prompt=prompt_template)

overall_chain = SequentialChain(
    input_variables=["input"],
    memory=SimpleMemory(memories={"movie_length": "2 horas"}),
    chains=[chain_one, chain_two],
    verbose=True)