Inleiding tot LangChain Chains
Begrijp het concept van chains in LangChain en hoe deze bewerkingen in meerdere stappen met LLMs mogelijk maken
Inleiding tot LangChain Chains is een gratis AI-agents met LangChain en autonome werkstromen-les op CoddyKit. Dit is les 1 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject AI-agents met LangChain en autonome werkstromen. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus AI-agents met LangChain en autonome werkstromen bevat in totaal 4 lessen.
Wat zijn LangChain-ketens?
Welkom bij LangChain-ketens! Stel je voor dat je een complexe taak voor een AI hebt, zoals het schrijven van een blogbericht of het samenvatten van een lang document. Eén opdracht aan een Large Language Model (LLM) is dan misschien niet voldoende.
Daar komen 'ketens' van pas. Ze helpen je complexe AI-taken op te delen in kleinere, beheersbare stappen die in een specifieke volgorde worden uitgevoerd. Zie ze als een blauwdruk voor AI-werkstromen.
Waarom we ketens nodig hebben
Een LLM is krachtig, maar voor problemen met meerdere stappen of interacties waarvoor een specifieke opmaak nodig is, heb je meer structuur nodig. Ketens bieden die structuur door:
- Redeneren in meerdere stappen mogelijk te maken: de LLM informatie iteratief te laten verwerken.
- Componenten te verbinden: LLM's te koppelen aan prompts, uitvoerparsers of andere hulpmiddelen.
- Gestructureerde werkstromen te bouwen: ervoor te zorgen dat taken in een vooraf bepaalde volgorde worden uitgevoerd, zodat complexe toepassingen beheersbaar blijven.
Ketens: een opeenvolgende stroom
In de kern draait een keten om opeenvolgende verwerking. De uitvoer van de ene stap wordt automatisch de invoer voor de volgende stap. Het lijkt op een lopende band voor AI-taken.
Zo kun je geavanceerde toepassingen bouwen door verschillende LangChain-componenten en -bewerkingen te combineren in een logische stroom van opeenvolgende stappen.
Belangrijke componenten in ketens
Ketens verbinden doorgaans verschillende LangChain-componenten met elkaar. De meest voorkomende zijn:
- LLM's: het 'brein' dat tekst of antwoorden genereert.
- Promptsjablonen: gestructureerde instructies die het gedrag van de LLM sturen.
- Uitvoerparsers: hulpmiddelen om de onbewerkte tekstuitvoer van de LLM om te zetten in een bruikbaardere structuur, zoals JSON of lijsten.
In deze les richten we ons op LLM's en promptsjablonen.
De eenvoudigste keten: LLMChain
De meest fundamentele keten in LangChain is LLMChain. Deze is ontworpen om invoer te ontvangen, er een PromptTemplate op toe te passen om de invoer op te maken, de opgemaakte prompt naar een LLM te sturen en tekstuitvoer te ontvangen.
Het is een basiselement voor veel complexere interacties en een uitstekend startpunt om ketens te begrijpen.
LLM en prompt instellen
Voordat we een LLMChain bouwen, bereiden we onze ingrediënten voor: een LLM en een promptsjabloon. We gebruiken een eenvoudige prompt om de LLM te vragen iets aardigs te zeggen tegen een persoon die we bij naam noemen.
Vergeet niet om 'YOUR_OPENAI_API_KEY' te vervangen door je echte sleutel of deze als omgevingsvariabele in te stellen.
import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
# Set your API key (replace with your actual key or env var)
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY"
# 1. Initialize the LLM (e.g., OpenAI's GPT-3.5)
llm = ChatOpenAI(temperature=0.7)
# 2. Define a Prompt Template
# '{name}' is the input variable for this prompt
prompt = PromptTemplate.from_template(
"Hello, my name is {name}. Can you say something nice to me?"
)
print("LLM and Prompt Template are ready!")Een LLMChain maken
Nu combineren we onze LLM en het promptsjabloon tot een LLMChain. Deze keten ontvangt een 'name' als invoer, verwerkt die in de prompt, stuurt de prompt naar de LLM en geeft het antwoord van de LLM terug.
De klasse LLMChain uit langchain.chains verbindt deze twee componenten naadloos met elkaar.
import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain.chains import LLMChain
# Set your API key (replace with your actual key or env var)
os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY"
# 1. Initialize the LLM
llm = ChatOpenAI(temperature=0.7)
# 2. Define a Prompt Template
prompt = PromptTemplate.from_template(
"Hello, my name is {name}. Can you say something nice to me?"
)
# 3. Create the LLMChain
# The chain connects the prompt and the LLM
chain = LLMChain(llm=llm, prompt=prompt)
# 4. Invoke the chain with an input
# The input key 'name' must match the prompt variable
response = chain.invoke({"name": "Alice"})
print("Chain invoked successfully!")
print("Response:")
print(response["text"])Uitvoer van een keten begrijpen
Merk op dat de uitvoer van chain.invoke() een woordenboek is. Voor een eenvoudige LLMChain bevat dit doorgaans:
- De invoervariabelen die je hebt opgegeven, zoals
'name'. 'text': het door de LLM gegenereerde antwoord op basis van de prompt.
Dankzij deze gestructureerde uitvoer kun je het antwoord van de LLM eenvoudig ophalen en in volgende stappen gebruiken of aan een gebruiker tonen.
Voordelen van LLMChain
Hoewel LLMChain eenvoudig is, biedt deze aanzienlijke voordelen:
- Inkapseling: de prompt en de logica van de LLM worden overzichtelijk samengevoegd, waardoor je code modulair wordt.
- Leesbaarheid: je LLM-interacties worden overzichtelijker en gemakkelijker te begrijpen dan directe API-aanroepen.
- Basis: LLMChain vormt het fundamentele bouwelement voor het maken van complexere ketens met meerdere stappen en agents.
Zo kun je je LLM-interacties efficiënt organiseren.
Korte controle
Je hebt geleerd dat LangChain-ketens helpen om bewerkingen met meerdere stappen te organiseren. Welke van de volgende opties beschrijft op basis van onze bespreking het beste het hoofddoel van een LLMChain?
Samenvatting: aan de slag met ketens
Goed gedaan! In deze les heb je geleerd over:
- Het concept van ketens in LangChain voor het structureren van AI-taken met meerdere stappen.
- Waarom ketens essentieel zijn voor het bouwen van complexe, gecontroleerde werkstromen met LLM's.
- De basiscomponenten waaruit een keten doorgaans bestaat: LLM's en promptsjablonen.
- Hoe je een LLMChain, de eenvoudigste keten, maakt en uitvoert door een PromptTemplate en een LLM te combineren.
Vervolgens onderzoeken we hoe je meerdere LLMChains kunt combineren tot krachtigere opeenvolgende werkstromen!
Leer AI-agents met LangChain en autonome werkstromen met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 12
- Lessen
- 50
Veelgestelde vragen
Is de les “Inleiding tot LangChain Chains” gratis?
Ja — de volledige tekst van “Inleiding tot LangChain Chains” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus AI-agents met LangChain en autonome werkstromen wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus AI-agents met LangChain en autonome werkstromen bevat in totaal 4 lessen.
Wat leer ik in “Inleiding tot LangChain Chains”?
Begrijp het concept van chains in LangChain en hoe deze bewerkingen in meerdere stappen met LLMs mogelijk maken Je oefent met AI-agents met LangChain en autonome werkstromen door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met AI-agents met LangChain en autonome werkstromen te beginnen?
Ervaring vooraf is niet nodig. AI-agents met LangChain en autonome werkstromen op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 1 van 4.
Hoe lang duurt de les “Inleiding tot LangChain Chains”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over AI-agents met LangChain en autonome werkstromen?
Ja. Elke les over AI-agents met LangChain en autonome werkstromen bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Inleiding tot LangChain Chains
- Sequentiële en eenvoudige chains
- Chainlogica aanpassen
- Routing en conditionele chains