吴恩达LangChain教程之如何通过Chain实现复杂链式任务

关注

原创最新推荐文章于 2026-09-04 13:35:43 发布 906 阅读 AI 写同款· GEO 优化 ›

【吴恩达deeplearning.ai】基于LangChain开发大语言应用模型（上） LangChain是一个框架，用于开发由大语言模型驱动的应用程序。开发者相信，最强大的、差异化的应用不仅会调用语言模型，而且还会具备以下原则：数据感知：将语言模型与其他数据源连接起来。代理性：允许语言模型与环境互动LangChain支持python和javascript两种语言。专注于组合和模块化。官方文档：https://python.langchain.com/en/latest/中文文档：https://www.langchain.com.cn/# 加载包# 一个长内容。阅读详情

01 | LLMChain

Chain可以认为是LangChain中最为重要的组件，通常用于将大型语言模型(LLM)和Prompt结合在一起，有了这个构建模块，可以把一堆这样的构建模块组合在一起，对文本或者其他数据进行有序的操作。

这里主要是为了能够输出一些比较有意思的输出，因此，这里的temperature设置为0.9，我们想要的是给一些生产某个产品的公司取一个有意思的名字。

在这里插入图片描述

这时候LangChain帮我们将提示词和LLM按照顺序连接到一起，那么这时候我们可以就可以根据我们想要取名的产品名称，实现取名的任务。

在这里插入图片描述

run方法会在后台格式化prompt，并将整个提示词传递给LLM，此时给到的结果为“Royal Beddings”，即皇家床品，听起来确实好高大上。

LLMChain是最为常用，也是最为基础的Chain的类型。

02 | Sequential Chains

Sequential Chain的名字已经说明了它的能力，也就是顺序执行一些Chain的功能，适用于当我们的子链只需要一个输入并且只返回一个输出的场景。

案例的场景为，第一个Chain的作用是根据生产的产品名称给出一个合适的公司名称，然后为这个公司写一个20字的简要介绍。

此时，我们用下面的代码将两个Chain进行结合起来。

在这里插入图片描述

运行结果如下：

但是它的局限也比较明显，就是每个Chain都只有一个输入只有一个输出，如果有其他的需要，比如说多个输入和输出时，怎么处理呢？
在这里插入图片描述

如代码所示，我们在Chain1中明确要求用英文进行翻译，输出变量的名称规定为English_Review；

然后我们在Chain2中使用它，用相同的变量接收English_Review作为Chain2的输入，要求给出一句话总结，输出变量命名为summary，并作为Chain4的输入变量之一；

第三个prompt接收原始评论变量Review，输出language，这些都将在最后一个prompt中被再次使用。

第四个prompt中有多个不同的输入和输出同时被使用，因此，保持这些变量正确命名非常重要。

因此，SimpleSequentialChain会包含多个链，每条链都包含一个输入和一个输出，前一条链的输出作为另一条链的输入，环环相扣，

在这里插入图片描述

SequentialChain和SimpleSequentialChain相比，每一步都可以接收多个输入变量，如下图所示。

在这里插入图片描述

因此，当有较为复杂的下游链需要和多个上游链组合时，建议使用SequentialChain。

这时候我们调用如上的所有Chain如下：

在这里插入图片描述

这时候输出如下：

03 | Router Chain

如果要执行更为复杂的结构，比如一个常见的基本操作是，根据输入的内容来决定路由到哪条链，每条子链都是专门处理特定类型的输入。

在这里插入图片描述

如果是这种场景，可以使用Router Chain，它首先判断要传递给哪条子链，然后将输入传递给具体的链

我们提供了上面的四个prompt，分别支撑物理、数学、历史和计算器科学的能力，我们利用上面的几个prompt，组成prompt_infos：

在这里插入图片描述

我们对每个prompt都给了一个名字以及描述，描述很简单，就是告知每个prompt擅长回答问题的领域。

这些信息将被传递给Router Chain，以便Router Chain决定什么时候使用相应的子链。

为了完成上述的能力，我们引入如下的几个依赖：

在这里插入图片描述

其中，MultiPromptChain是一种特定类型的Chain，用于在多个不同的提示模板之间进行路由。

LLMRouterChain借助语言模型本身在不同的子链之间进行路由，这也是为什么我们需要在上面提供的prompt描述和名称的原因.

RouterOutputparser会将LLM的输出解析为一个字典，以便下游根据该字典来决定使用哪条链，还有这条链的输入是怎样的。

如代码所示，实际上每个目标Chain都是一个LLMChain，除了LLMChain，我们还需要一个默认链（default_chain），它是在路由链无法决定使用哪条子链时使用的Chain。

我们将上面的各个组件组合为一个路由链。

首先我们通过使用上面定义的目标并对其进行格式化来创建完整的路由提示词模板，这个模板可灵活配置不同类型的目标。

接下来我们从这个模板创建Prompt模板，然后我们通过传入LLM和整个路由器的prompt来创建Router Chain，需要注意的是，一定要规定out_parser为RouterOutputParser，因为它需要协助路由链来决定在哪些子链之间进行路由。

最后，我们将它们组合在一起，创建整条链路。
在这里插入图片描述

这时候我们就可以使用了：

chain.run("What is black body rediation?")

运行结果如下：

同样的，我们可以继续询问数学题。

如果我们问一个超纲的问题，那么会发生什么呢？我们看下

这时候就会传给default_chain，当做一个通用问题来访问LLM。

04 | 小结

Chain模块非常简单，可以作为小白入门或者是没有编码经验小伙伴的入门技能，选用不同的Chain就可以完成生活中几乎90%的链式任务，也就是前后关联任务的实现，甚至是一般应用的开发。

LLMChain是最为常用，也是最为基础的Chain的类型。正因为基础，所以其功能很是强大，但是却也受限于其通用性，无法实现个性化能力；
Sequential Chain的名字已经说明了它的能力，也就是顺序执行一些Chain的功能，适用于当我们的子链只需要一个输入并且只返回一个输出的场景。
Router Chain则更为复杂一些，如果要执行更为复杂的结构，比如一个常见的基本操作是，根据输入的内容来决定路由到哪条链，每条子链都是专门处理特定类型的输入。

希望小伙伴都可以通过笔者的总结实现简单GPT应用的开发。

共勉，加油，喜欢就分享加收藏吧，谢谢。