LangChain入门实践4：LLMChain创建第一个链快速入门

LLMChain：创建第一个链快速入门

1. 输出解析器

OutputParsers是LangChain框架中的关键组件，它们负责将LLM的原始输出转换为可以在下游使用的格式。输出解析器有几种主要类型：

• 将LLM的文本转换为结构化信息（例如JSON）
• 将ChatMessage转换为字符串
• 将除消息之外的其他信息（如OpenAI函数调用）转换为字符串

有关此方面的详细信息，会在后续实践学习中深入探讨。

在这次实践中，我们将编写自己的输出解析器，其功能是将逗号分隔的列表转换为Python列表。

代码示例：自定义输出解析器

from langchain.schema import BaseOutputParser

class CommaSeparatedListOutputParser(BaseOutputParser):
    """Parse the output of an LLM call to a comma-separated list."""

    def parse(self, text: str):
        """Parse the output of an LLM call."""
        return text.strip().split(", ")

# 测试输出解析器
print(CommaSeparatedListOutputParser().parse("Hi,Bye"))

执行结果：

['Hi,Bye']

代码说明：

• 继承BaseOutputParser基类创建自定义解析器
• 实现parse方法处理LLM的原始输出
• 使用字符串的split方法按逗号分隔转换为列表
• 这是一个简单的解析器示例，实际应用中可能需要更复杂的逻辑

2. 创建链示例

现在，我们可以结合前文的实践，将所有这些组件组合成一个完整的链。这个链将接收输入变量，将其传递给提示模板创建提示，将提示传递给LLM，然后通过输出解析器处理输出。这是一种方便地将模块化逻辑捆绑在一起的方式。

完整链实现代码

from langchain_community.llms import Tongyi
from langchain.prompts.chat import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
from langchain.schema import BaseOutputParser

class CommaSeparatedListOutputParser(BaseOutputParser):
    """Parse the output of an LLM call to a comma-separated list."""

    def parse(self, text: str):
        """Parse the output of an LLM call."""
        return text.strip().split(", ")

# 定义系统提示模板
template = """You are a helpful assistant who generates comma separated lists.
A user will pass in a category, and you should generate 5 objects in that category in a comma separated list.
ONLY return a comma separated list, and nothing more."""
system_message_prompt = SystemMessagePromptTemplate.from_template(template)

# 定义用户输入模板
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

# 初始化LLM
llm = Tongyi()

# 组合聊天提示模板
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

# 创建链：提示词 -> LLM -> 输出解析器
chain = chat_prompt | llm | CommaSeparatedListOutputParser()

# 执行链
result = chain.invoke("colors")
print(result)

执行结果：

['red', 'blue', 'green', 'yellow', 'orange']

链的执行流程详解

1. 输入处理：接收用户输入的"colors"
2. 提示词构建：通过ChatPromptTemplate构建完整的提示词
3. LLM调用：将构建好的提示词传递给通义千问模型
4. 输出解析：使用自定义的CommaSeparatedListOutputParser处理LLM输出
5. 结果返回：返回格式化的列表结果

链的管道操作符说明

LangChain使用|操作符来连接不同的组件，这种设计使得链的构建直观且易于理解：

chain = chat_prompt | llm | output_parser

这相当于：

prompt_output = chat_prompt.invoke(input)
llm_output = llm.invoke(prompt_output)
final_output = output_parser.invoke(llm_output)

3. 总结

通过本文的学习，我们成功创建了第一个完整的LangChain链，这是一个重要的里程碑。以下是本文的核心要点总结：

核心概念掌握

链（Chain）的本质：

• 链是LangChain中连接多个组件的管道，实现了从输入到输出的完整处理流程
• 通过管道操作符|可以直观地组合不同的处理阶段
• 每个链都是可重用的模块化组件

三大核心组件：

1. 提示词模板（PromptTemplate）：负责将用户输入转化为结构化的提示词
2. 大语言模型（LLM）：执行核心的文本生成任务
3. 输出解析器（OutputParser）：将LLM的原始输出转换为可用格式

技术实现要点

自定义输出解析器：

• 继承BaseOutputParser基类
• 实现parse方法处理特定格式的输出
• 可以根据业务需求定制各种复杂的解析逻辑

链的构建模式：

chain = prompt_template | llm | output_parser

这种声明式的构建方式使得代码更加清晰和易于维护。

后续学习路径

在掌握了基础的LLMChain之后，可以继续深入学习：

1. 复杂链类型：如SequentialChain、RouterChain等
2. 记忆组件：为链添加对话历史记忆能力
3. 工具集成：让链能够调用外部工具和API
4. 代理模式：实现更智能的决策和任务分解

通过这个简单的LLMChain示例，我们看到了LangChain框架的强大之处：它通过清晰的抽象和组合模式，让构建复杂的LLM应用变得简单而直观。这为后续学习更高级功能奠定了坚实的基础。

4. 参考链接

1. LangChain入门指南中文教程
2. LangChain实践1：Python调用阿里百炼大模型，免费API
3. LangChain入门实践3：PromptTemplate提示词模板详解