【模型之美】10、LangChain链式调用全攻略：从多步提示到自动化工作流——构建工业级AI应用

引言：为什么需要链式调用？

在AI应用开发中，复杂任务往往需要多轮LLM（大语言模型）调用协同完成。例如：

• 生成单元测试需先解析代码逻辑→设计测试场景→生成测试代码；
• 多语言问答需将中文问题→翻译成英文→获取英文回答→再翻译回中文；
• 数据分析需先提取数据→生成可视化代码→解释分析结果。

传统方法中，这些步骤需要手动拼接API调用结果，代码冗余且难以维护。而LangChain的链式调用（Chaining） 技术通过将多个步骤封装为可复用的组件，实现自动化工作流，减少80%的胶水代码，让开发者聚焦核心逻辑。

一、链式调用核心架构：组件与工作原理

1.1 解决的核心痛点

原生API开发中，多步任务处理繁琐且易错：

# 传统多步调用示例（手动拼接）
def traditional_multistep_task(code):
    # 步骤1：解析代码
    explanation = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{
   
   "role": "user", "content": f"解析代码：{
     
     code}"}]
    ).choices[0].message.content
    
    # 步骤2：生成测试计划
    test_plan = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{
   
   "role": "user", "content": f"基于解析生成测试计划：{
     
     explanation}"}]
    ).choices[0].message.content
    
    # 步骤3：生成测试代码
    test_code = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{
   
   "role": "user", "content": f"基于计划生成代码：{
     
     test_plan}"}]
    ).choices[0].message.content
    
    return test_code

问题：

• 每步需手动处理输入输出，代码冗余；
• 无统一错误处理机制，一步失败则全流程中断；
• 难以复用步骤，相同逻辑需重复编写。

LangChain链式调用通过组件化设计解决这些问题，实现自动化步骤衔接、结构化输出和可复用组件。

1.2 核心组件与关系

graph LR
    A[用户输入] --> B[PromptTemplate<br>（提示模板）]
    B --> C[LLMChain<br>（单步调用）]
    C --> D[OutputParser<br>（输出解析器）]
    D --> E[中间结果]
    E --> F[SequentialChain<br>（多步协调）]
    F --> G[TransformChain<br>（数据转换）]
    G --> H[最终输出]

组件	作用	关键参数
PromptTemplate	动态生成提示语，支持变量替换	template（模板字符串）、input_variables（变量列表）
LLMChain	单步LLM调用单元，结合提示模板与模型	llm（模型实例）、prompt（提示模板）
SequentialChain	按顺序执行多个链，自动传递上下文	chains（子链列表）、input_variables（输入变量）、output_variables（输出变量）
TransformChain	自定义数据转换逻辑（如格式清洗、合并）	transform（转换函数）、input_variables/output_variables
OutputParser	将LLM输出解析为结构化数据（如JSON、Pydantic模型）	parse（解析方法）

1.3 两种基础链式模式

1. 简单顺序链（SimpleSequentialChain）

适用于单输入→单输出的线性流程，前一链的输出直接作为后一链的输入：

from langchain.chains import SimpleSequentialChain
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate

# 初始化模型
llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0.1)

# 步骤1：将中文问题翻译成英文
translate_prompt = PromptTemplate(
    template="将以下中文问题翻译成英文：{question}",
    input_variables=["question"]
)
translate_chain = LLMChain(llm=llm, prompt=translate_prompt)

# 步骤2：用英文回答问题
answer_prompt = PromptTemplate(
    template="回答英文问题：{english_question}",
    input_variables=["english_question"]
)
answer_chain = LLMChain(llm=llm, prompt=answer_prompt)

# 构建简单顺序链
chain = SimpleSequentialChain(
    chains=[translate_chain, answer_chain],
    verbose=True  # 输出执行日志
)

# 执行链
result = chain.run("什么是LangChain的链式调用？")
print(result)
# 输出：LangChain's chain calling refers to the technique of connecting multiple LLM calls...

2. 复杂顺序链（SequentialChain）

支持多输入、多输出，需显式指定变量传递关系：

from langchain.chains import SequentialChain

# 步骤3：将英文回答翻译回中文
translate_back_prompt = PromptTemplate(
    template="将以下英文回答翻译成中文：{english_answer}",
    input_variables=["english_answer"]
)
translate_back_chain = LLMChain(
    llm=llm,
    prompt=translate_back_prompt,
    output_key="chinese_answer"  # 显式指定输出键
)

# 构建复杂顺序链
multi_chain = SequentialChain(
    chains=[translate_chain, answer_chain, translate_back_chain],
    input_variables=["question"],  # 初始输入变量
    output_variables=["chinese_answer"],  # 最终输出变量
    verbose=True
)

# 执行链
result = multi_chain.run("什么是LangChain的链式调用？")
print(result)
# 输出：LangChain的链式调用指的是将多个LLM调用连接起来的技术...

关键区别：

• 简单链适用于线性流程，无需显式指定变量；
• 复杂链支持多变量传递，需用output_key定义中间结果的键名。

二、实战案例：自动化测试生成流水线

以生成Python函数的单元测试为例，展示如何用链式调用实现“解析代码→设计测试→生成代码→合并优化”的全流程自动化。

2.1 案例架构设计

flowchart TD
    A[函数代码] --> B[基础测试链<br>（正常/异常场景）]
    B --> C[边界测试链<br>（负数/浮点数）]
    C --> D[参数化测试链<br>（批量用例）]
    D --> E[合并转换链<br>（代码整合）]
    E --> F[完整测试套件]

2.2 步骤1：生成基础测试用例

解析函数逻辑，生成正常场景和异常场景的基础测试：

from langchain.prompts