Criando Chains mais complexas

Agora que sabemos criar chains simples com LCEL, podemos começar a nos aventurar em chains mais complexas e compreender o verdadeiro poder do LangChain.

Podemos utilizar a capacidade de compor chains para criar chains de chains. Isso mesmo, podemos acoplar pequenos blocos de chains, domando-os para criar aplicações bem mais complexas e, consequentemente, mais poderosas.

A capacidade de um modelo de linguagem aumenta drasticamente conforme mais específica for nossa chamada, e é isso que buscamos fazer ao quebrar uma aplicação em múltiplas cadeias.

Configurando o ambiente

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

Somando chains

Primeiro, vamos criar uma chain para gerar curiosidades:

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

chat = ChatOpenAI()

prompt = ChatPromptTemplate.from_template('Fale uma curiosidade sobre o assunto: {assunto}')
chain_curiosidade = prompt | chat | StrOutputParser()

Em seguida, criamos uma chain para gerar histórias baseadas em fatos:

prompt = ChatPromptTemplate.from_template('Crie uma história sobre o seguinte fato curioso: {assunto}')
chain_historia = prompt | chat | StrOutputParser()

Combinando as chains

Podemos combinar as duas chains para criar uma chain mais complexa:

chain = chain_curiosidade | chain_historia

finalChain = chain.invoke({'assunto': 'atibaia'})

Como entender o que está acontecendo?

Para isso, podemos utilizar o LangSmith. O LangSmith é uma espécie de observabilidade para LangChain, incluindo as chaves e valores de configuração.

Exemplo com saída estruturada

Podemos usar o LangSmith junto com saídas estruturadas para analisar os resultados:

from typing import Optional
from pydantic import BaseModel, Field

class AvaliacaoReview(BaseModel):
    """Avalia a qualidade da história"""
    personas: int = Field(description='Enumera a quantidade de personas envolvidas na história')
    local: Optional[str] = Field(description='Extraia a localização onde aconteceu a história')
    nota_historia: int = Field(description='Dê uma nota de 0 a 10 para a história criada')

llm_estruturada = chat.with_structured_output(AvaliacaoReview)
resposta = llm_estruturada.invoke(finalChain)

Benefícios do LangSmith

O LangSmith oferece várias funcionalidades importantes:

1. Observabilidade: Acompanhe todas as chamadas e respostas do modelo
2. Depuração: Identifique onde as chains podem estar falhando
3. Otimização: Analise o desempenho e faça ajustes conforme necessário
4. Monitoramento: Acompanhe o uso e a qualidade das respostas em produção

Este guia demonstra como criar chains mais complexas combinando múltiplas chains simples e como usar o LangSmith para monitorar e depurar suas aplicações LangChain.