【每天一个小笔记】03 LangChain的链（Chains）

关注

原创 2025-12-18 16:19:25 724 阅读 AI 写同款· GEO 优化 ›

LangChain入门- 链 (Chains) 完全指南本文介绍了LangChain中的链(Chains)系统，它用于将多个AI组件组合成端到端工作流。主要内容包括：1) 基础链类如LLMChain、SequentialChain和RouterChain；2) 高级链如RetrievalQA和ConversationalRetrievalChain；3) 链的组合方式，包括传统Chain类和现代LCEL管道；4) 记忆集成方法，如ConversationChain。文章通过流程图展示了不同链类型的数据流和工作原理，并提供了Python代码示例说明如何使用这些链构阅读详情

LangChain 的链（Chain）

LangChain 的链（Chain）是一种将多个组件（如模型、提示、记忆、工具等）组合在一起的方式，用于实现复杂的任务流程。链可以串联多个步骤，使任务处理更加模块化和可复用。以下是 LangChain 中链的核心概念和常见用法：

常见的Chain类型包括：

LLMChain —— 最基础的链
SimpleSequentialChain —— 简单顺序链
SequentialChain —— 复杂顺序链
TransformChain —— 纯数据转换链（不调用 LLM）
RouterChain —— 路由链，根据输入内容自动分发到不同分支
MapReduceChain —— 映射-归约链，适合处理大规模文本

基础链——LLMChain

LLMChain 是 LangChain 框架中的核心组件，用于将大型语言模型（LLM）与其他模块（如提示模板、记忆系统或输出解析器）串联起来，构建可定制的链式工作流。其核心思想是通过组合不同模块实现复杂任务（如问答、文本生成或数据转换），同时保持灵活性和可扩展性。

核心组件与功能

语言模型（LLM）
支持集成 OpenAI、Anthropic 等第三方模型或本地部署的模型，通过统一接口调用生成文本。

提示模板（PromptTemplate）
定义动态提示的模板，支持变量插值。例如：

from langchain.prompts import PromptTemplate  
prompt = PromptTemplate.from_template("解释{term}的概念：")

链式执行（Chain Execution）
将模型调用与后续处理步骤（如过滤、格式化）结合。典型用法：

from langchain.chains import LLMChain  
chain = LLMChain(llm=llm, prompt=prompt)  
result = chain.run(term="机器学习")

典型应用场景

问答系统
结合检索器（Retriever）从文档中获取上下文，再通过 LLMChain 生成答案。

结构化输出生成
使用输出解析器（Output Parser）将模型返回的自然语言转换为 JSON 或字典格式。

多步骤任务
通过 SequentialChain 将多个 LLMChain 连接，例如先生成大纲再撰写文章。

高级配置选项

记忆集成
通过 Memory 模块（如 ConversationBufferMemory）保存对话历史，实现上下文感知。

回调函数
监控链的执行过程，例如记录中间结果或处理错误。

超参数控制
调整 temperature 或 max_tokens 等参数控制生成结果的多样性和长度。

示例代码：完整工作流

输出示例：

通过模块化设计和链式组合，LLMChain 能够灵活适应从简单文本生成到复杂决策流程的各种需求。

输出解析链（带结构化结果）

输出解析链（Output Parsers）是 LangChain 中用于将模型生成的文本转换为结构化数据（如 JSON、Pydantic 模型等）的工具。

使用 Pydantic 模型解析结构化数据

通过 PydanticOutputParser 可以将模型输出解析为预定义的 Pydantic 模型结构：

输出结果：

注意：

调用的LLMChain将被弃用，改成下面的方法

使用 JSON 解析器

通过 StructuredOutputParser 生成并解析 JSON 格式结果：

from langchain.output_parsers import StructuredOutputParser, ResponseSchema

# 定义输出字段
response_schemas = [
    ResponseSchema(name="answer", description="回答内容"),
    ResponseSchema(name="source", description="数据来源")
]

# 创建解析器
parser = StructuredOutputParser.from_response_schemas(response_schemas)

# 在提示中加入格式说明
prompt = PromptTemplate(
    template="回答问题：{query}\n{format_instructions}",
    input_variables=["query"],
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

# 调用模型
input_prompt = prompt.format_prompt(query="法国的首都是什么？")
output = model(input_prompt.to_string())

# 解析为字典
result_dict = parser.parse(output)
print(result_dict)  # 输出：{'answer': '巴黎', 'source': '常识'}

自定义解析逻辑

通过继承 BaseOutputParser 实现完全自定义解析：

from langchain.schema import BaseOutputParser

class CommaSeparatedListOutputParser(BaseOutputParser):
    def parse(self, text: str):
        return text.strip().split(", ")

parser = CommaSeparatedListOutputParser()
result = parser.parse("苹果, 香蕉, 橙子")
print(result)  # 输出：['苹果', '香蕉', '橙子']

处理解析错误

使用 OutputFixingParser 自动修复格式错误的输出：

from langchain.output_parsers import OutputFixingParser

fix_parser = OutputFixingParser.from_llm(parser=parser, llm=OpenAI())
broken_output = "名字：李四 年龄：40"  # 缺少JSON格式
fixed_result = fix_parser.parse(broken_output)

关键参数说明

format_instructions：自动生成的格式提示文本，需包含在提示模板中
partial_variables：允许在模板中预填充部分变量
temperature=0：建议设置为0以保证输出稳定性
ResponseSchema：需明确定义每个字段的名称和描述

通过组合这些组件，可以构建鲁棒的输出解析流程，将非结构化文本转换为可直接程序处理的结构化数据。

简单顺序链（SimpleSequentialChain）

在实际应用中，许多复杂任务需要分解为多个相互关联的步骤依次执行。例如，要生成一个完整的故事，可能需要先拟定故事大纲，再根据大纲展开具体内容。👉 SimpleSequentialChain就如同思维上的接力赛：它将多个子任务连接成一个线性工作流，前一个链的输出会自动成为下一个链的输入，实现多步任务的自动化执行。

from langchain.chains import SimpleSequentialChain

# 第一个节点：生成大纲
outline_prompt = PromptTemplate(
    input_variables=["theme"],
    template="请为以下主题写一个故事大纲：{theme}"
)
outline_chain = LLMChain(llm=llm, prompt=outline_prompt)

# 第二个节点：写故事
story_prompt = PromptTemplate(
    input_variables=["outline"],
    template="根据以下大纲写一个故事：{outline}"

story_chain = LLMChain(llm=llm, prompt=story_prompt)

# 顺序链
sequential_chain = SimpleSequentialChain(
    chains=[outline_chain, story_chain], # 先大纲然后写故事
    verbose=True
)

result = sequential_chain.run("人工智能与人类的友谊")
print(result)

核心机制讲解

链式执行：第一个链（outline_chain）接收初始输入（如主题）并生成故事大纲；第二个链（story_chain）自动将该大纲作为输入，生成完整故事。
自动化传递：SimpleSequentialChain 自动管理中间结果的传递，无需手动截取、解析和传递上一个步骤的输出。
透明化流程：设置 verbose=True可在控制台查看每个步骤的输入和输出，方便调试与优化。

👉 SimpleSequentialChain 非常适用于多阶段生成式任务，例如：

内容创作：先生成提纲，再撰写文章或报告
代码开发：先设计模块或接口，再实现具体代码
数据分析：先进行数据筛选，再执行分析或可视化

通过将复杂任务分解为有序步骤，SimpleSequentialChain 既能提升输出质量，又能增强生成过程的可控性和可解释性。

复杂顺序链(SequentialChain)

当任务逻辑更为复杂，涉及多个输入与输出，且步骤间需要灵活传递不同变量时，SequentialChain 便成为理想的选择。*** 👉我们可以将其比作一个高度协调的“智能流水线”：它能够接收多种原材料（输入），经由多个专业工位（子链）分步处理，最终产出多种成品（输出）。

from langchain.chains import SequentialChain

# 链1：市场分析
analysis_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["product_idea"],
        template="分析以下产品的市场需求：{product_idea}"
    ),
    output_key="analysis"
)

# 链2：开发计划
plan_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["product_idea", "analysis"],
        template="基于 {product_idea} 和 {analysis} 制定开发计划"
    ),
    output_key="plan"
)

# 链3：成本估算
cost_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["plan"],
        template="根据 {plan} 估算成本"
    ),
    output_key="cost"
)

# SequentialChain
sequential_chain = SequentialChain(
    chains=[analysis_chain, plan_chain, cost_chain],
    input_variables=["product_idea"],
    output_variables=["analysis", "plan", "cost"],
    verbose=True
)

result = sequential_chain.invoke({"product_idea": "AI 健康管理应用"})
print(result)

核心机制讲解

多输入多输出：与 SimpleSequentialChain不同，SequentialChain允许指定多个 input_variables和 output_variables，每个子链都可以通过 output_key命名其输出，供后续链使用。
灵活的变量传递：后续链可以自由选择使用前面任何一个链的输出（或初始输入）作为其输入变量，只需在 prompt 的 input_variables中声明即可。
结构化结果：最终返回的是一个字典（dictionary），可以通过 result["market_analysis"]、result["dev_plan"]等方式直接获取每个步骤的结构化输出，极大方便了后续的程序化处理。

👉 SequentialChain就像一位高级项目协调员，它能够：

分解复杂任务：将诸如产品规划、市场调研、文章撰写等复杂任务拆解为多个逻辑步骤。
协调信息流转：自动管理中间信息，确保每个步骤都能获取所需的上游结果。
提供全面产出：最终输出每个关键步骤的结果，形成一个完整的报告或方案，非常适合需要多角度分析或内容生成的自动化场景。

转换链(TransformChain)

LangChain的工作流并不总是需要调用大语言模型。在某些场景中，我们可能只需要对文本进行预处理、清洗或格式化，例如去除多余空格、提取关键信息、正则匹配替换等。这时，TransformChain便提供了轻量且高效的解决方案。
👉你可以将TransformChain看作一个灵活的“文本加工站”：它接收原始文本（输入），通过自定义的处理函数进行转换，并将加工后的结果（输出）传递给下游任务或其他链使用。

from langchain.chains import TransformChain
import re
from typing import Dict



def clean_text(inputs: Dict[str, str]) -> Dict[str, str]:
    text = inputs["text"]
    cleaned = re.sub(r'\s+', ' ', text.strip())  # 去掉多余空格
    return {"cleaned_text": cleaned}

transform_chain = TransformChain(
    input_variables=["text"],
    output_variables=["cleaned_text"],
    transform=clean_text
)

result = transform_chain.invoke({"text": "这是   一个   测试   文本"})
print(result["cleaned_text"])

核心机制讲解

纯函数处理：TransformChain 的核心是一个自定义的 transform函数，它接收一个包含输入变量的字典，返回一个包含输出变量的字典。整个过程不调用LLM ，完全在本地执行。
声明式输入输出：通过 input_variables和 output_variables明确指定链需要哪些输入以及会产生哪些输出，便于集成到更大的链式工作流中。
灵活的处理逻辑：你可以在 transform函数中实现任何文本处理逻辑，例如：
- 正则表达式匹配与替换
- 文本标准化与格式化
- 关键词提取或过滤
- 简单的编码转换或长度裁剪

常见应用场景
TransformChain 非常适合在调用 LLM 前进行数据预处理，或在拿到 LLM 输出后进行结果后处理，例如：

数据清洗：去除用户输入或日志文本中的多余空格、特殊字符、敏感信息等。
格式标准化：将不同格式的日期、数字或代码片段统一为指定格式。
信息提取：使用正则表达式从原始文本中快速提取结构化字段（如电话号码、邮箱），再交由LLM进一步处理。
结果后处理：对 LLM 生成的文本进行格式化、截断或添加前后缀。

👉 它的最大优势在于轻量与可控，能够高效、可靠地完成那些不需要AI参与的确定性文本操作任务，是构建健壮、高效AI流水线的重要工具。

路由链

在实际应用中，用户的提问往往涉及多个领域：可能是数学计算、编程问题，也可能是一般知识问答。如果所有问题都使用同一个Prompt进行处理，不仅效果难以保障，也浪费计算资源。
RouterChain的作用就是根据输入内容自动判断问题类型，并将其路由（分配）到最合适的专家链（ExpertChain）上进行处理** 。你可以将其想象为一个“智能调度中心”或“多路分配器”：先识别问题意图，再定向到对应的专业处理流程。

from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain.chains.router import MultiPromptChain
from langchain.chains.router.llm_router import LLMRouterChain, RouterOutputParser
from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE

# 定义不同的专门链
math_template = """你是一个数学专家。请解决以下数学问题：
{input}
请提供详细的解题步骤。"""

programming_template = """你是一个编程专家。请帮助解决以下编程问题：
{input}
请提供代码示例和详细解释。"""

general_template = """请回答以下问题：
{input}
请提供准确和有用的信息。"""
# 定义路由的候选 Prompt


prompt_infos = [
    {
        "name": "math",
        "description": "适合回答数学相关的问题，例如算术、代数、几何",
        "prompt_template": math_template,
    },
    {
        "name": "programming",
        "description": "适合回答编程相关的问题，包括Python、算法、调试",
        "prompt_template": programming_template,
    },
    {
        "name": "general",
        "description": "适合回答一般常识性问题",
        "prompt_template": general_template,
    },
]

# 创建目标链（destination chains）
destination_chains = {}
for p_info in prompt_infos:
    name = p_info["name"]
    prompt = PromptTemplate(template=p_info["prompt_template"], input_variables=["input"])
    destination_chains[name] = LLMChain(llm=llm, prompt=prompt)

# 默认链（如果没有匹配到任何类别）
default_prompt = PromptTemplate(template=general_template, input_variables=["input"])
default_chain = LLMChain(llm=llm, prompt=default_prompt)

# 创建路由提示
destinations = [f"{p['name']}: {p['description']}" for p in prompt_infos]
router_template = MULTI_PROMPT_ROUTER_TEMPLATE.format(destinations="\n".join(destinations))
router_prompt = PromptTemplate(
    template=router_template,
    input_variables=["input"],
    output_parser=RouterOutputParser()
)

# 创建路由链
router_chain = LLMRouterChain.from_llm(llm, router_prompt)

# 将 RouterChain 与目标链组合成 MultiPromptChain
chain = MultiPromptChain(
    router_chain=router_chain,
    destination_chains=destination_chains,
    default_chain=default_chain,
    verbose=True
)

# 测试不同问题

test_questions = [
    "计算 2x + 3 = 7 中 x 的值",
    "如何在 Python 中实现快速排序算法？",
    "中国的首都是哪里？"
]


for question in test_questions:
    print(f"\n❓ 用户问题: {question}")
    result = chain.run(question)
    print(f"🤖 回答: {result}")