管道连接

import timefrom langchain_community.chat_models import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplatet1 = time.time()
llm = ChatOpenAI(
)resp_prompt_path = 'response_prompt.md'
prompt = PromptTemplate.from_file(resp_prompt_path,encoding='utf-8')
prompt = prompt.partial(query="现在客运量是多少？",result="### rt_schema:['客运量'], rt_result:[888461]",reply_nodata="昨日数据未完成结算, 请12点以后查看。",today="2024-11-27")chain = prompt | llm | StrOutputParser()print(chain.invoke({"query":"现在客运量是多少？","result":"### rt_schema:['客运量'], rt_result:[888461]","today":"2024-11-27"}))print(time.time()-t1)

其中，要求prompt类型为PromptTemplate类型。

LLMChain

import timefrom langchain.chains.llm import LLMChain
from langchain.memory import ConversationBufferMemory
from langchain_community.chat_models import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate, HumanMessagePromptTemplate, ChatPromptTemplate, \SystemMessagePromptTemplate, MessagesPlaceholderresp_prompt_path = 'response_prompt.md'
prompt = PromptTemplate.from_file(resp_prompt_path,encoding='utf-8')
prompt = prompt.partial(query="现在客运量是多少？",result="### rt_schema:['客运量'], rt_result:[888461]",reply_nodata="昨日数据未完成结算, 请12点以后查看。",today="2024-11-27")prompt_ = prompt.format()t2 = time.time()
llm = ChatOpenAI(
)
prompt = ChatPromptTemplate(messages=[SystemMessagePromptTemplate.from_template("You are a nice chatbot having a conversation with a human."),MessagesPlaceholder(variable_name="chat_history"),HumanMessagePromptTemplate.from_template(prompt_)]
)memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
conversation = LLMChain(llm=llm,prompt=prompt,verbose=True,memory=memory
)resp = conversation.invoke({"data":str({"query":"现在客运量是多少？","result":"### rt_schema:['客运量'], rt_result:[888461]","today":"2024-11-27"})})
resp_str = StrOutputParser.parse(self='',text=resp.get('text'))
print(resp_str)print(time.time()-t2)

其中，HumanMessagePromptTemplate.from_template()要求参数是str类型，需要将prompt通过prompt.format()转成str，进入LLMChain后prompt要求是ChatPromptTemplate类型的。另外，该模型只能接收一个参数，如果出现多个参数，需要转换。

目前在大模型开发中，遇到响应度体验的问题，本想通过拆掉pipeline提升速度，但是最终发现效果不明显。就保留langchain的LCEL模式。