从StuffDocumentsChain迁移
StuffDocumentsChain 通过将文档连接成一个单一的上下文窗口来组合文档。这是一种简单而有效的策略，适用于问答、摘要和其他目的的文档组合。
create_stuff_documents_chain 是推荐的替代方案。它的功能与 StuffDocumentsChain 相同，但提供了更好的流处理和批处理功能支持。由于它是 LCEL 原语 的简单组合，因此也更容易扩展并集成到其他 LangChain 应用中。
下面我们将通过一个简单的例子来说明StuffDocumentsChain和create_stuff_documents_chain，以便更好地理解。
首先加载一个聊天模型：
Select chat model:
pip install -qU langchain-openai
import getpass
import os
if not os.environ.get("OPENAI_API_KEY"):
os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter API key for OpenAI: ")
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini")
示例
让我们通过一个例子来分析一组文档。我们首先生成一些简单的文档用于说明目的：
from langchain_core.documents import Document
documents = [
Document(page_content="Apples are red", metadata={"title": "apple_book"}),
Document(page_content="Blueberries are blue", metadata={"title": "blueberry_book"}),
Document(page_content="Bananas are yelow", metadata={"title": "banana_book"}),
]
API Reference:Document
遗留
Details
下面我们展示了一个使用StuffDocumentsChain的实现。我们为摘要任务定义了提示模板，并为此实例化了一个LLMChain对象。我们定义了如何将文档格式化为提示，并确保各种提示中的键的一致性。
from langchain.chains import LLMChain, StuffDocumentsChain
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate
# This controls how each document will be formatted. Specifically,
# it will be passed to `format_document` - see that function for more
# details.
document_prompt = PromptTemplate(
input_variables=["page_content"], template="{page_content}"
)
document_variable_name = "context"
# The prompt here should take as an input variable the
# `document_variable_name`
prompt = ChatPromptTemplate.from_template("Summarize this content: {context}")
llm_chain = LLMChain(llm=llm, prompt=prompt)
chain = StuffDocumentsChain(
llm_chain=llm_chain,
document_prompt=document_prompt,
document_variable_name=document_variable_name,
)
我们现在可以调用我们的链：
result = chain.invoke(documents)
result["output_text"]
'This content describes the colors of different fruits: apples are red, blueberries are blue, and bananas are yellow.'
for chunk in chain.stream(documents):
print(chunk)
{'input_documents': [Document(metadata={'title': 'apple_book'}, page_content='Apples are red'), Document(metadata={'title': 'blueberry_book'}, page_content='Blueberries are blue'), Document(metadata={'title': 'banana_book'}, page_content='Bananas are yelow')], 'output_text': 'This content describes the colors of different fruits: apples are red, blueberries are blue, and bananas are yellow.'}
LCEL
Details
下面我们展示了一个使用 create_stuff_documents_chain 的实现：
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_template("Summarize this content: {context}")
chain = create_stuff_documents_chain(llm, prompt)
API Reference:create_stuff_documents_chain | ChatPromptTemplate
调用链，我们得到与之前类似的结果：
result = chain.invoke({"context": documents})
result
'This content describes the colors of different fruits: apples are red, blueberries are blue, and bananas are yellow.'
请注意，此实现支持输出令牌的流式传输：
for chunk in chain.stream({"context": documents}):
print(chunk, end=" | ")
| This | content | describes | the | colors | of | different | fruits | : | apples | are | red | , | blue | berries | are | blue | , | and | bananas | are | yellow | . | |
下一步
查看LCEL概念文档以获取更多背景信息。
查看这些操作指南以了解更多关于使用RAG进行问答任务的信息。
请参阅本教程以获取更多基于LLM的摘要策略。