您的位置: 首页> AI模型

LangChain使用之Chains

匿名上传

发布时间:2025-10-27 14:45:02

Chains的基本使用

Chain的基本概念

Chain：链，用于将多个组件（提示模板，LLM模型，记忆，工具等）链接起来，形成可复用的工作流，完成复杂的任务。

Chain的核心思想是通过组合不同的模板化单元，实现比单一组件更强大的功能。比如：

将LLM与Prompt Template（提示模板）结合
将LLM与输出解析器结合
将LLM与外部数据结合，例如用于问答
将LLM与长期记忆结合，例如勇敢与聊天历史记录
通过将第一个LLM的输出作为第二个LLM的输入，...，将多个LLM按顺序结合在一起

LCEL及其构成

使用LCEL，可以构造出结构最简单的Chain

LangChain表达式语言（LCEL，LangChain Expression Language）是一种声明式的方法，可以轻松地将多个组件链接成AI工作流。它通过Python原生操作符（如管道符|）将组件链接成可执行流程，显著简化了AI应用的开发。

LCEL的基本构成：提示（Prompt）+ 模型（model）+ 输出解释器（OutputParser）

即：

Prompt：Prompt是一个BasePromptTemplate，这意味着它接受一个模板变量的字典并生成一个PromptValue。PromptValue可以传递给LLM（它以字符产作为输入）或ChatModel（它以消息列表作为输入）
Model：将PromptValue传递给model。如果我们的model是一个ChatModel，这意味着它将输出一个BaseMessage
OutputParser：将model的输出传递给output_parser，他是一个BaseOutputParser，意味着它可以接收字符串或BaseMessage作为输入
chain：我们可以使用|运算符轻松创建这个Chain。|运算符在LangChain中用于将两个元素组合在一起
invoke：所有LCEL对象都实现了Runnable协议，保证一致的调用性（invoke/batch/stream）

Runnable

Runnable是LangChain定义的一个抽象接口（Protocol），它强制要求所有LCEL组件是西安一组标准方法：

class Runnable(Protocol):
    def invoke(self, input: Any) -> Any: ... # 单输入单输出
    def batch(self, inputs: List[Any]) -> List[Any]: ... # 批量处理
    def stream(self, input: Any) -> Iterator[Any]: ... # 流式输出
# 还有其他方法如 ainvoke（异步）等...

任何实现了这些方法的对象都被视为LCEL兼容组件。比如：聊天模型，提示词模板，输出解析器，检索器，代理（智能体）等

每个LCEL对象都实现了Runnable接口，该接口定义了一组公共的调用方法。这使得LCEL对象链也自动支持这些调用成为可能

为什么需要同意调用方式？

假设没有同一协议：

提示词渲染用：.format()
模型调用用：.generate()
解析器解析用：.parse()
工具调用用：.run()

代码会变成：

prompt_text = prompt.format(topic = "猫")
model_out = model.generate(prompt_text)
result = parser.paese(model_out)

每个组件调用方式不同，组合时需要手动适配。

LCEL解决方案

通过Runnable协议统一：

# 分步调用
prompt_text = prompt.invoke(topic = "猫")
model_out = model.invoke(prompt_text)
result = parser.invoke(model_out)

# LCEL管道式
chain = prompt | model | parser			# 用管道符组合
result = chain.invoke({"topic":"猫"})	# 所有组件同一用invoke

一致性：无论组件的功能多复杂（模板/提示词/工具），调用方式完全相同
组合性：管道操作符|背后自动处理类型匹配和中间结果的传递

使用举例

例1：没有使用chain

# 调用大模型的前置环境配置
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
import os
import dotenv


dotenv.load_dotenv()

os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")
os.environ["OPENAI_BASE_URL"] = os.getenv("OPENAI_BASE_URL")

chat_model = ChatOpenAI(
    model = "gpt-4o-mini"
)

# 开始调用
from langchain_core.prompts import PromptTemplate

prompt_template = PromptTemplate.from_template(
    template = "给我将一个关于{topic}的笑话"
)
parser = StrOutputParser()
prompt_value = prompt_template.invoke({"topic":"卫生纸"})
result = chat_model.invoke(prompt_value)
output = parser.invoke(result)

print(type(output))
print(output)

当然可以！这是一个关于卫生纸的笑话：

有一天，有两个卷纸在讨论谁更受欢迎，卫生纸自豪地说：“我每天都被人用来擦屁股，大家都离不开我！”

另一卷纸微笑着说：“那你可真有‘屁股’的自信！”

希望这个笑话能让你开心！

例2：使用Chain将提示模板，模型，解析器链接在一起。使用LCEL将不同的组件组合成一个单一的链条

prompt_template = PromptTemplate.from_template(
    template = "给我将一个关于{topic}的笑话"
)
parser = StrOutputParser()

# 构建链式调用（LCEL语法）
chain = prompt_template | chat_model | parser
output = chain.invoke({"topic":"卫生纸"})

print(type(output))
print(output)

当然可以！这是一个关于卫生纸的笑话：

有一天，卫生纸和纸巾在聊天。卫生纸自豪地说：“我最厉害，谁都离不开我！”

纸巾笑着回答：“可你有多久没出门了？你就只在厕所里待着！”

卫生纸不以为然：“那又怎样？我可是‘急需’的角色！”

纸巾反击：“但我可是‘随时待命’的明星！”

最后，卫生纸叹了口气：“好吧，我们都是‘纸’上谈兵！”

希望这个笑话能让你开心！

传统Chain的使用

基础链：LLMChain

使用说明

LCEL之前，最基础也最常见的类型是LLMChain

这个链至少包括一个提示词模板（PromptTemplate），一个语言模型（LLM或者聊天模型）

特点：

用于单次问答，输入一个Prompt，输出LLM的响应
适合无上下文的简单任务（如翻译，摘要，分类等）
无记忆：无法自动维护聊天历史

主要步骤

1.配置任务链：使用LLMChain类将任务与提示词结合，形成完整的任务链

chain = LLMChain(llm = chat_model, prompt = prompt_template)

2.执行任务链：使用invoke()等方法执行任务链，并获取生成结果。可以根据需要对输出进行处理和展示。

result = chain.invoke(...)
print(reslut)

参数说明

参数名	类型	默认值	必填	说明
`llm`	Union[Runnable[LanguageModelInput,str],Runnable[LanguageModelInput,BaseMessage]]	-	`是`	要调用的语言模型
`prompt`	BasePromptTemplate	-	`是`	要使用的提示对象
`verbose`	bool	False	否	`是否以详细模式运行`。在详细模式下，一些中间日志将被打印到控制台
`memory`	Optional[BaseMemory	None	否	`可选的记忆对象`
`output_parser`	BaseLLMOutputParse	-	否	`要使用的输出解释器`，默认为StrOutputParser
callbacks	Callbacks	None	否	可选的回调处理器列表或回调管理器。在调用链的生命周期中的不同阶段被调用，从on_chain_start开始，到on_chain_end或on_chain_error结束。自定义链可以选择调用额外的回调方法
llm_kwargs	dict	-	否	语言模型的关键字参数字典
metadata	Optional[Dict[str, Any]]	None	否	与链相关联的可选元数据。默认为None
return_final_only	bool	True	否	是否只返回最终解析结果。默认为True

顺序链-SimpleSequentialChain

顺序链（SequentialChain）允许将多个链顺粗连接起来，每个Chain的输出作为下一个Chain的输入，形成特定场景的流水线（Pipline）

顺序链有两种类型：

单个输入/输出：对应着：SimpleSequentialChain
多个输入/输出：对应着：SequentialChain

说明

SimpleSequentialChain：最简单的顺序链，多个链串行执行，每个步骤都有单一的输入和输出，一个步骤的输出就是下一个步骤的输入，无需手动映射。

使用

例：

from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import LLMChain
from langchain.chains.sequential import SimpleSequentialChain

chainA_template = ChatPromptTemplate.from_messages([
    ("system","你是一个网上冲浪高手,善于搜集资料，并保证资料的真实性"),
    ("human","请你尽可能详细的解释一下:{question}")
])
chainA_chains = LLMChain(
    llm = chat_model,
    prompt = chainA_template,
    verbose = True,
)

chainB_template = ChatPromptTemplate.from_messages([
    ("system","你非常善于提取文本中的重要信息，并作除简短的总结"),
    ("human","这是针对一个提问的完整的解释说明内容：{description}"),
    ("human","请你根据上述说明，尽可能简短的输出重要结论，控制在20字以内")
])
chainB_chains = LLMChain(
    llm = chat_model,
    prompt = chainB_template,
    verbose = True
)

final_chain = SimpleSequentialChain(
    chains = [chainA_chains, chainB_chains],
    verbose = True,
)

response = final_chain.invoke(input={"input":"如何从读者口中评价《龙族》小说的作者江南"})
print(response)

在这个过程中，因为SimpleSequentialChain定义的是顺序链，所以在chains参数中传递的列表要按照顺序来进行传入，即chainA要在chainB之前。同时，在调用时，不再使用chainA中定义的{question}参数，也不是chainB中定义的{description}参数，而是要使用input进行变量的传递。

顺序链-SequentialChain

说明

SequentialChain：更通用的顺序链，具体来说：

多变量支持：允许不同子链由独立输入/输出变量
灵活映射：需显式定义变量如何从一个链传递到下一个链。即精准地命名输入关键字和输出关键字，来明确链之间的关系
复杂流程控制：支持分支，条件逻辑（分别通过input_variables和output_variables配置输入和输出）

使用

例：

from langchain.chains.sequential import SequentialChain
from langchain_core.prompts.chat import ChatPromptTemplate

chainA_prompt = ChatPromptTemplate.from_messages([
    ("system","你是一个精通各个领域知识的教授"),
    ("human","请你尽可能详细的解释一下：{konwledge}，并且{action}")
])
chainA_chains = LLMChain(
    llm = chat_model,
    prompt = chainA_prompt,
    verbose = True,
    output_key = "chainA_chains_key"
)

chainB_prompt = ChatPromptTemplate([
    ("system","你非常善于提取文本中的重要信息，并做出简短的总结"),
    ("human","这是针对上一个提问的完整的解释说明内容：{chainA_chains_key}"),
    ("human","请你根据上述说明，尽可能简短的输出重要结论，请控制在100字以内"),
])
chainB_chains = LLMChain(
    llm = chat_model,
    prompt = chainB_prompt,
    verbose = True,
    output_key = "chainB_chains_key"
)

final_chain = SequentialChain(
    chains = [chainA_chains, chainB_chains],
    input_variables=["konwledge","action"],
    output_variables=["chainA_chains_key","chainB_chains_key"],
    verbose = True,
)

response = final_chain({
    "konwledge":"中国足球为什么踢得烂",
    "action":"举一个实际的例子"
})

print(response)

还可以单独输出

print(response["chainA_chains_key"])

print(response["chainB_chains_key"])

使用场景

场景：多数据源处理

举例：根据商品名查询-->数据库获取价格，生成促销文案

使用 SimpleSequentialChain（失败）

# 假设链1返回{"price":100},链2需要{product:"...",price:...}
# 结构不匹配，无法自动传递

使用SequentialChain（正确）

# 查询链
query_chain = LLMChain(
    llm = chat_model,
    prompt = PromptTemplate.from_template(
        "请模拟查询{product}的市场价格，直接返回一个合理的价格数字（如899），不要包含其他任何文字或代码"
    ),
    verbose = True,
    output_key = "price"
)

# 文案链
prompt_chain = LLMChain(
    llm = chat_model,
    prompt = PromptTemplate.from_template(
        "为{product}（售价为{price}元）创作一篇50字以内的促销文案，要求突出产品卖点"
    ),
    verbose = True,
    output_key = "prompt_text"
)

final_chain = SequentialChain(
    chains = [query_chain, prompt_chain],
    verbose = True,
    input_variables = ["product"],
    output_variables = ["price","prompt_text"]
)

result = final_chain.invoke({"product":"华为mate60"})
print(result)

> Entering new SequentialChain chain...