如何通过迭代优化来总结文本

大型语言模型（LLMs）可以总结和提炼文本中的所需信息，包括大量文本。在许多情况下，尤其是当文本量相对于模型的上下文窗口大小很大时，将总结任务分解为更小的组件可能是有帮助的（甚至是必要的）。

迭代式优化是总结长文本的一种策略。该策略如下：

将文本拆分为更小的文档；
总结第一份文档；
根据下一个文档优化或更新结果；
重复文档序列，直到完成。

请注意，此策略未进行并行化处理。当对子文档的理解依赖于先前的上下文时，它尤其有效——例如，在总结具有固有顺序的小说或文本内容时。

LangGraph，构建在 langchain-core 之上，非常适合解决此问题：

LangGraph 允许将各个步骤（例如连续的摘要生成）进行流式传输，从而实现对执行过程的更精细控制；
LangGraph 的检查点（checkpointing）支持错误恢复、扩展人机协作工作流，以及更便捷地集成到对话应用中。
由于它是从模块化组件组装而成的，因此也很容易扩展或修改（例如，以集成工具调用或其他行为）。

下面，我们演示如何通过迭代优化来总结文本。

加载聊天模型

让我们首先加载一个聊天模型：

选择聊天模型:

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.chat_models import init_chat_model

llm = init_chat_model("gpt-4o-mini", model_provider="openai")

加载文档

接下来，我们需要一些文档进行总结。下面，我们生成一些示例性的玩具文档以供说明。有关更多数据来源，请参阅文档加载器操操作指南和集成页面。总结教程也包含了一篇博客文章的总结示例。

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 参考:文档

创建图

下面我们将展示该过程的 LangGraph 实现：

我们生成一个简单的链，用于初始摘要，该链提取第一个文档，将其格式化为提示，并使用我们的 LLM 进行推理。
我们生成第二个 refine_summary_chain，它对每个连续文档进行操作，优化初始摘要。

我们将需要安装langgraph：

pip install -qU langgraph

import operator
from typing import List, Literal, TypedDict

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableConfig
from langgraph.constants import Send
from langgraph.graph import END, START, StateGraph

# Initial summary
summarize_prompt = ChatPromptTemplate(
    [
        ("human", "Write a concise summary of the following: {context}"),
    ]
)
initial_summary_chain = summarize_prompt | llm | StrOutputParser()

# Refining the summary with new docs
refine_template = """
Produce a final summary.

Existing summary up to this point:
{existing_answer}

New context:
------------
{context}
------------

Given the new context, refine the original summary.
"""
refine_prompt = ChatPromptTemplate([("human", refine_template)])

refine_summary_chain = refine_prompt | llm | StrOutputParser()


# We will define the state of the graph to hold the document
# contents and summary. We also include an index to keep track
# of our position in the sequence of documents.
class State(TypedDict):
    contents: List[str]
    index: int
    summary: str


# We define functions for each node, including a node that generates
# the initial summary:
async def generate_initial_summary(state: State, config: RunnableConfig):
    summary = await initial_summary_chain.ainvoke(
        state["contents"][0],
        config,
    )
    return {"summary": summary, "index": 1}


# And a node that refines the summary based on the next document
async def refine_summary(state: State, config: RunnableConfig):
    content = state["contents"][state["index"]]
    summary = await refine_summary_chain.ainvoke(
        {"existing_answer": state["summary"], "context": content},
        config,
    )

    return {"summary": summary, "index": state["index"] + 1}


# Here we implement logic to either exit the application or refine
# the summary.
def should_refine(state: State) -> Literal["refine_summary", END]:
    if state["index"] >= len(state["contents"]):
        return END
    else:
        return "refine_summary"


graph = StateGraph(State)
graph.add_node("generate_initial_summary", generate_initial_summary)
graph.add_node("refine_summary", refine_summary)

graph.add_edge(START, "generate_initial_summary")
graph.add_conditional_edges("generate_initial_summary", should_refine)
graph.add_conditional_edges("refine_summary", should_refine)
app = graph.compile()

API 参考:StrOutputParser |聊天提示模板 |可运行配置 |发送 |状态图

LangGraph 允许将图结构绘制出来，以帮助可视化其功能：

from IPython.display import Image

Image(app.get_graph().draw_mermaid_png())

调用图

我们可以逐步执行，并在精炼过程中打印摘要：

async for step in app.astream(
    {"contents": [doc.page_content for doc in documents]},
    stream_mode="values",
):
    if summary := step.get("summary"):
        print(summary)

Apples are characterized by their red color.
Apples are characterized by their red color, while blueberries are known for their blue hue.
Apples are characterized by their red color, blueberries are known for their blue hue, and bananas are recognized for their yellow color.

最终的 step 包含了从整个文档集中综合生成的摘要。

下一步

查看总结操操作指南以获取更多总结策略，包括那些专为更大篇幅文本设计的策略。

有关摘要的更多详细信息，请参阅本教程。

有关使用 LangGraph 构建的详细信息，请参见 LangGraph 文档。

加载聊天模型​

加载文档​

创建图​

调用图​

下一步​

加载聊天模型

加载文档

创建图

调用图

下一步