3. 第一个LangChain应用：用5行代码生成智能文案

引言：从“玩具代码”到商业价值

“写文案？交给市场部就行！”——这种传统观念在2025年已被彻底颠覆。某美妆品牌用LangChain+Deepseek-R1模型自动生成618促销文案，点击率提升23%。本文将带你用5行代码复现这个案例，并揭示如何通过链式调用(Chain)实现商业级应用。

---

一、LLMChain：LangChain的“基础积木”

1.1 核心原理

• 组件化思维：将提示词模板、模型调用、输出解析封装为可复用的链

• 工作流程：

1.2 与裸调模型的差异

方式	代码复杂度	可维护性	扩展性
直接调用	低	差	弱
LLMChain	中	强	强

案例：某团队将200个独立模型调用改为Chain结构，维护时间减少65%

---

二、实战：生成节日促销文案

2.1 基础版：5行代码核心逻辑

from langchain_ollama import ChatOllama 
from langchain_core.prompts import ChatPromptTemplate  
​
# 初始化本地模型（推荐4bit量化节省内存）  
llm = ChatOllama(model="deepseek-r1:q4_0")  
​
# 创建提示词模板（社群可领取行业模板库）  
prompt = ChatPromptTemplate.from_template(  
    "你是一个{style}的文案专家，为{product}写一则{festival}促销文案，突出{feature}"  
)  
​
# 构建执行链  
chain = prompt | llm  
​
# 调用并打印结果  
print(chain.invoke({  
    "style": "幽默风趣",  
    "product": "智能咖啡机",  
    "festival": "双十一",  
    "feature": "语音控制"  
}).content)  

2.2 运行效果演示

标题：**“动动嘴就能喝到香浓咖啡！这个双十一，让咖啡机听你的！”**
​
正文：  
咖啡时间，就是要轻松又有趣！这款智能咖啡机不仅能听懂你说的话，还能记住你的心！无论是“来一杯美式”还是“我要拿铁”，它都能秒速回应，比你还懂你自己！
​
**语音控制，解放双手**  
告别繁琐的操作，只要一句话，香浓的咖啡就自动为你冲好。早上起床不想动？躺在床上说句话，咖啡机立马开工！朋友来了不会泡咖啡？没关系，你就是“咖啡大师”！  
​
**双十一狂欢价，抢到就是赚到**  
限时特惠，买就送超值咖啡豆大礼包！还有机会赢取神秘惊喜礼盒！手慢无，手快有！  
​
**让咖啡机成为你的贴心小秘书**  
从此告别手忙脚乱的早晨，享受从容优雅的生活。来吧，这个双十一，让我们一起开启“动动嘴就能喝到好咖啡”的美好时光！
​
**点击抢购，现在就让咖啡机听你的话！**

2.3 异常处理增强版

try:  
    response = chain.invoke(params)  
except ConnectionError:  
    print("模型服务异常！请检查：\n1. Ollama服务状态\n2. 本地显存是否充足")  
    # 自动切换备用模型  

---

三、进阶技巧：多变量控制与结果解析

3.1 多参数动态控制

# 支持风格/长度/情感等多维度控制  
prompt = ChatPromptTemplate.from_template(  
    "生成{style}风格的{product}广告文案，控制在{length}字内，情感倾向：{emotion}"  
)  
​
# 字典传参示例  
params = {  
    "style": "科技感",  
    "product": "折叠屏手机",  
    "length": "100",  
    "emotion": "积极"  
}  
print(chain.invoke(params).content)  

3.2 结构化输出解析

from langchain_core.output_parsers import CommaSeparatedListOutputParser  
​
# 生成卖点清单  
prompt = ChatPromptTemplate.from_template(  
    "列出{product}的{num}个核心卖点，用中文逗号分隔"  
)  
chain = prompt | llm | CommaSeparatedListOutputParser()  
​
print(chain.invoke({"product": "无线耳机", "num": 3}))  
# 输出：['无线设计', '高品质音效', '舒适佩戴']  

---

四、避坑指南：新手常见问题

1. 变量不匹配：模板中{feature}但传参时漏字段 → 报错Missing input variable

2. 模型幻觉：要求生成100字文案却返回500字 → 在提示词明确限制

3. 性能瓶颈：批量生成时响应慢 → 启用异步调用（见代码示例）

# 异步加速示例  
async def batch_generate():  
    return await chain.abatch([params1, params2, params3])  

---

五、下期预告

《理解Prompt Engineering：如何让模型听懂你的需求》

• 揭秘：为什么同样的提示词，专家产出效果提升300%？

• 实战：用角色设定法优化电商文案生成

• 工具：LangSmith提示词调试器使用技巧

---

通过将简单链式调用与企业需求结合，即使是新手也能快速创造商业价值。下期我们将深入提示工程的核心技巧，让你的模型从“听话”变成“懂你”。