Sequential Chain是LangChain库中的一个强大工具，它允许我们将多个LLMChain按照特定的顺序连接起来，形成一个处理流程。这种链式结构使得我们可以将一个大任务分解为几个小任务，并依次执行，每个任务的输出成为下一个任务的输入。

示例目标

在这个示例中，我们将构建一个顺序链，目标是：

1. 让大模型扮演植物学家的角色，提供特定鲜花的知识和介绍。
2. 接着让大模型扮演鲜花评论者的角色，对鲜花进行评论。
3. 最后让大模型扮演社交媒体运营经理的角色，撰写一篇鲜花运营文案。

实现步骤

1. 导入所需的库和模块：

   from langchain_openai import ChatOpenAI
   from langchain.chains import LLMChain, SequentialChain
   from langchain.prompts import PromptTemplate
   

2. 创建第一个LLMChain：
   生成鲜花的知识性说明。

   one_template = """
   你是一个植物学家。给定花的名称和类型，你需要为这种花写一个200字左右的介绍。
   花名: {name}颜色: {color}
   植物学家: 这是关于上述花的介绍:
   """
   one_prompt_template = PromptTemplate(template=one_template,input_variables=["name", "color"],
   )
   introduction_chain = LLMChain(llm=llm,prompt=one_prompt_template,output_key="introduction",
   )
   

3. 创建第二个LLMChain：
   根据鲜花的知识性说明生成评论。

   two_template = """
   你是一位鲜花评论家。给定一种花的介绍，你需要为这种花写一篇200字左右的评论。
   鲜花介绍:{introduction}
   花评人对上述花的评论:
   """
   two_prompt_template = PromptTemplate(template=two_template,input_variables=["introduction"],
   )
   review_chain = LLMChain(llm=llm,prompt=two_prompt_template,output_key="review",
   )
   

4. 创建第三个LLMChain：
   根据鲜花的介绍和评论撰写社交媒体文案。

   three_template = """
   你是一家花店的社交媒体经理。给定一种花的介绍和评论，你需要为这种花写一篇社交媒体的帖子，300字左右。
   鲜花介绍:{introduction}花评人对上述花的评论:{review}
   社交媒体帖子:
   """
   three_prompt_template = PromptTemplate(template=three_template,input_variables=["introduction", "review"],
   )
   social_media_chain = LLMChain(llm=llm,prompt=three_prompt_template,output_key="social_post_text",
   )
   

5. 创建SequentialChain：
   将前面三个链串起来。

   overall_chain = SequentialChain(chains=[introduction_chain, review_chain, social_media_chain],input_variables=["name", "color"],output_variables=["introduction", "review", "social_post_text"],verbose=True
   )
   

6. 调用SequentialChain：
   输入花的名称和种类，获取结果。

   result = overall_chain({"name": "玫瑰", "color": "红色"})
   print(result)
   

运行结果

运行上述代码将得到一系列输出，包括植物学家对玫瑰的介绍、鲜花评论者对玫瑰的评论，以及社交媒体运营经理为玫瑰撰写的社交媒体帖子。