Langchain触发apply_and_parse方法弃用警告，求解决方案

问题原因 #

使用ConversationalRetrievalChain且指定chain_type="map_rerank"时，Langchain旧版本的内部实现依赖已弃用的apply_and_parse方法，新版本要求直接将输出解析器传递给LLMChain，因此触发该警告。

解决方案 #

手动构建MapRerankDocumentsChain并显式传入输出解析器，替代from_llm的快捷创建方式。

修改后的完整代码 #

from langchain.chains import ConversationalRetrievalChain, MapRerankDocumentsChain
from langchain.chains.llm import LLMChain
from langchain.prompts import PromptTemplate
from langchain.output_parsers import MapRerankOutputParser
from langchain.memory import ConversationBufferMemory
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.llms import OpenAI

Vector_Path = "你的向量库路径"
embeddings = OpenAIEmbeddings()

def LoadVector():
    global VectorStore   
    VectorStore = FAISS.load_local(Vector_Path, embeddings)

LoadVector()

memory = ConversationBufferMemory(
    memory_key="chat_history", return_messages=True
)  

retriever = VectorStore.as_retriever(search_type="mmr")

# 定义map_rerank所需的Prompt模板（必须包含评分指令）
prompt_template = """使用以下上下文片段回答最后的问题。
你必须根据回答贴合问题的程度从1到10评分，10为最佳。

上下文:
{context}

问题: {question}

先输出答案，然后换行并写"Rank: [数字]"。
"""
PROMPT = PromptTemplate(
    template=prompt_template, input_variables=["context", "question"]
)

# 初始化输出解析器
output_parser = MapRerankOutputParser()

# 创建带输出解析器的LLMChain
llm_chain = LLMChain(
    llm=OpenAI(temperature=0),
    prompt=PROMPT,
    output_parser=output_parser
)

# 创建MapRerankDocumentsChain
rerank_chain = MapRerankDocumentsChain(
    llm_chain=llm_chain,
    document_variable_name="context",
    rank_key="Rank",
    answer_key="answer"
)

# 构建最终的对话检索链
qa = ConversationalRetrievalChain(
    retriever=retriever,
    combine_docs_chain=rerank_chain,
    memory=memory
)

query="what is power app give response in detail"
result = qa({"question": query})
print(result)

关键修改点 #

• 新增导入MapRerankOutputParser、MapRerankDocumentsChain和LLMChain模块
• 定义符合map_rerank逻辑的Prompt模板，明确要求输出答案和评分
• 创建LLMChain时直接传入output_parser参数
• 用手动构建的rerank_chain替代原from_llm方法中的chain_type="map_rerank"参数

内容的提问来源于stack exchange，提问作者Amardeep raj