langchain_cadeia.py

from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.prompts import ChatPromptTemplate
from langchain.chains import SimpleSequentialChain
from langchain.chains import LLMChain
from langchain.globals import set_debug
import os
from dotenv import load_dotenv

load_dotenv()
set_debug(True)


llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.5,
    api_key=os.getenv("OPENAI_API_KEY"))


modelo_cidade = ChatPromptTemplate.from_template(
    "Sugira uma cidade dado meu interesse por {interesse}. A sua saída deve ser SOMENTE o nome da cidade. Cidade: "
)

modelo_restaurantes = ChatPromptTemplate.from_template(
    "Sugira restaurantes populares entre locais em {cidade}"
)

modelo_cultural = ChatPromptTemplate.from_template(
    "Sugira atividades e locais culturais em {cidade}"
)

"""
Este código é uma alternativa à classe LLMChain e SimpleSequentialChain, que serão depreciadas.  
Ele utiliza a estrutura de Runnables do LangChain para criar uma cadeia de execução mais modular e flexível.  
O código está comentado por padrão para evitar execução automática, mas pode ser descomentado conforme necessário.

Para testar, basta remover os comentários da seção correspondente. E comentar o codigo depreciado que começa na linha 68.
"""

'''  # Remova esta linha de comentário para ativar o código

# Importação das classes necessárias para a criação da cadeia de execução
from langchain.schema.runnable import RunnablePassthrough
from langchain.schema import StrOutputParser

# Definição de diferentes cadeias que processam informações específicas
cadeia_cidade = modelo_cidade | llm 
cadeia_restaurantes = modelo_restaurantes | llm 
cadeia_cultural = modelo_cultural | llm | StrOutputParser()

# Composição da cadeia principal, que agrega os diferentes fluxos de processamento
cadeia = (
    RunnablePassthrough() 
    | RunnablePassthrough.assign(cidade=cadeia_cidade) 
    | RunnablePassthrough.assign(restaurantes=cadeia_restaurantes) 
    | RunnablePassthrough.assign(cultura=cadeia_cultural)
)

# Executando a cadeia com um interesse específico
resultado = cadeia.invoke({"interesse": "praias"})

# Exibindo o resultado do fluxo cultural processado
print(resultado.get("cultura"))

# '''  # Remova esta linha de comentário para ativar o código


cadeia_cidade = LLMChain(prompt=modelo_cidade, llm=llm)
cadeia_restaurantes = LLMChain(prompt=modelo_restaurantes, llm=llm)
cadeia_cultural = LLMChain(prompt=modelo_cultural, llm=llm)

cadeia = SimpleSequentialChain(chains=[cadeia_cidade, cadeia_restaurantes, cadeia_cultural],
                                verbose=True)

resultado = cadeia.invoke("praias")
print(resultado)