LangChain 基础系列之 Chains 链的核心逻辑与实战应用

最新推荐文章于 2025-05-28 18:17:15 发布

SanMu三木

最新推荐文章于 2025-05-28 18:17:15 发布

阅读量3.8k

点赞数 30

文章标签： langchain 大数据人工智能

本文链接：https://blog.youkuaiyun.com/m0_60322614/article/details/146802724

版权

LangChain 基础系列之 Chains 链的核心逻辑与实战应用

引言：当 LLM 遇到复杂任务，为什么需要 Chain？

在 LangChain 生态中，Chains（链）是串联 LLM 能力与实际业务的关键桥梁。想象你让 GPT-4 完成 “分析用户评论情感并生成改进建议” 的任务，这需要先做情感分类，再基于结果生成建议 —— 这种多步骤流程就是 Chain 的典型应用场景。本文将从原理、类型、实战三个维度拆解 Chains 的核心机制，助你掌握构建智能工作流的核心技巧。

一、Chain 核心概念：从单一调用到流程编排

1. Chain 的本质作用

结构化流程：将多个工具 / 模块按逻辑串联（如LLM调用 → 数据清洗 → 工具查询 → 结果整合）

状态管理：自动传递上下文参数（如input→intermediate_steps→output的生命周期管理）

错误处理：内置重试机制（如RetryingChain）和 fallback 策略

2. 核心组成要素

组件	功能说明
Prompt	定义每个环节的输入输出格式，支持模板化变量注入（如`HumanMessagePromptTemplate`）
LLM	基础语言模型接口，支持 OpenAI、Anthropic 等多提供商
Tools	外部工具集成（如 SerpAPI 搜索、SQL 查询），通过`Tool`类封装调用逻辑
Memory	持久化上下文存储（如`ConversationBufferMemory`记录历史对话）
Callbacks	监控钩子（支持追踪 token 使用量、记录中间步骤等调试场景）

二、主流 Chain 类型与适用场景

1. 基础编排型 Chain

（1）SimpleSequentialChain

适用场景：固定顺序的线性任务（如文本摘要→关键词提取）

代码示例：

from langchain.chains import SimpleSequentialChain

from langchain.prompts import PromptTemplate

from langchain.llms import OpenAI

# 定义子链

prompt1 = PromptTemplate(input_variables=["text"], template="Summarize the following text: {text}")

llm_chain1 = LLMChain(llm=OpenAI(temperature=0), prompt=prompt1)

prompt2 = PromptTemplate(input_variables=["summary"], template="Extract keywords from the summary: {summary}")

llm_chain2 = LLMChain(llm=OpenAI(temperature=0), prompt=prompt2)

# 串联成链

chain = SimpleSequentialChain(chains=[llm_chain1, llm_chain2], verbose=True)

result = chain.run("LangChain is a framework for building LLM applications...")

（2）SequentialChain

进阶特性：支持不同子链间的参数映射（如{"text": "input_text", "summary": "llm_chain1_output"}）

2. 智能决策型 Chain

（1）RouterChain

核心能力：根据输入动态选择子链（如根据用户问题类型路由到客服 / 技术支持链）

实现逻辑：

from langchain.chains.router import MultiPromptChain

# 定义路由逻辑

prompt = """判断用户问题类型：

如果是技术问题，使用tech_chain；

如果是产品问题，使用product_chain；

输入：{input}"""

chains = {

   "tech_chain": TechSupportChain(),

   "product_chain": ProductChain()

}

router_chain = MultiPromptChain(

   router_prompt=prompt,

   chains=chains,

   default_chain=DefaultChain()

)

（2）LLMChain + Tool 调用

经典场景：需要外部数据的问答（如 “2023 年 NBA 总冠军是谁？” → 触发 SerpAPI 搜索）

关键类：LLMMathChain（数学计算）、SQLDatabaseChain（数据库查询）

3. 记忆增强型 Chain

（1）ConversationChain

核心机制：通过Memory存储历史对话，实现上下文感知

应用案例：

from langchain.chains import ConversationChain

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()

conversation = ConversationChain(

   llm=OpenAI(temperature=0.5),

   memory=memory,

   verbose=True

)

# 多轮对话

conversation.predict(input="推荐一部科幻电影")

conversation.predict(input="为什么推荐这部？")  # 自动关联历史回答

（2）检索增强链（Retrieval Augmented Generation）

标准流程：用户问题 → 向量检索 → 上下文拼接 → LLM生成

关键组件：VectorDB（如 FAISS）+ Retriever + CombineDocumentsChain

三、实战：构建智能客服问答 Chain

1. 需求分析

用户咨询 “我的订单 #12345 物流状态”，需要：

验证订单存在性（调用 ERP 接口）

查询物流信息（调用物流 API）

生成友好回复

2. 架构设计

3. 代码实现（关键片段）

from langchain.chains import SequentialChain

from langchain.tools import BaseTool

# 自定义工具

class OrderTool(BaseTool):

   name = "order_checker"

   description = "查询订单是否存在"

   def _run(self, order_id: str):

       # 调用ERP接口逻辑

       return "exists" if order_id == "12345" else "not_exists"

# 定义子链

order_chain = LLMChain(

   llm=OpenAI(temperature=0),

   prompt=PromptTemplate(

       input_variables=["order_id"],

      template="Check order {order_id} existence: {order_checker_result}"

  )

)

物流_chain = LLMChain(...)  # 类似定义查询物流逻辑

# 组合主链

客服_chain = SequentialChain(

   chains=[order_chain, 物流_chain],

   input_variables=["order_id"],

   output_variables=["logistics_status", "reply"]

)