3Dシーンを準備しています…
LANGCHAIN / DATA FLOW
LangChainを、データの旅で見る。
「こんにちは」が、メッセージになり、応答の文字列になるまで。
入力
dict
→プロンプト
ChatPromptValue
→LLM
AIMessage
→出力
str
ONE CHAIN
データをつなぐ。 工程をつなぐ。
前の工程の出力を、次の工程の入力へ。
データの形が変わる
dict → メッセージ → 応答 → str
例:「こんにちは」を英語に翻訳する。
INPUT
入力は、変数名と値。
text に「こんにちは」を渡す。
dict
{
"text": "こんにちは"
}FORMAT
値を、テンプレートへ。
{text} を、入力値に置き換える。
変数の差し込み
{text}を英語に翻訳してください。↓
こんにちはを英語に翻訳してください。
PROMPT
プロンプトは、 メッセージのまとまり。
指示と依頼を、ひとまとめにする。
ChatPromptValue
LLM INPUT
LLMに渡るのは、 完成したメッセージ。
この例は、チャットモデルで処理する。
ChatPromptValue → messages
LLM RESPONSE
応答も、メッセージ。
返ってきた本文は content に入る。
AIMessage
AIMessage(
)
PARSE
本文を、取り出す。
StrOutputParser が、応答を文字列にする。
AIMessage → str
AIMessage(content="Hello.")
↓ StrOutputParser()
"Hello."
OUTPUT
結果は、文字列。
この値が chain.invoke(...) の戻り値になる。
str
"Hello."
プロンプト → LLM → Parser の順に処理。
チャットモデルを使う例。LLMの応答は固定サンプル。時間と立体は説明用の演出です。
「視点を動かす」をオンにしてドラッグすると、別の角度から確認できます。スマートフォンでは横向きでご覧ください。音声なしのテストです。
この例は ChatPromptTemplate → チャットモデル → StrOutputParser をつなぐLCELのチェーンです。入力の辞書がChatPromptValueになり、モデルがAIMessageを返し、Parserが本文を文字列として取り出します。
メッセージの組み立てと文字列への変換は、LangChain Core 1.7.6で実行確認しました。LLMの返答はFakeListChatModelによる固定値「Hello.」です。実際のLLM API通信を録画したものではありません。
/