LangChain框架中的Chain与Agent详解：从理论到实践

原创

于 2025-10-03 21:57:14 发布 · 1.6k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#langchain

在这里插入图片描述

文章目录

在大语言模型应用开发中，LangChain作为最流行的框架之一，其核心概念Chain和Agent的理解至关重要。本文将深入解析这两个概念，通过丰富的代码示例和实际应用场景，帮助你掌握LangChain的核心机制。

1. 引言：为什么需要LangChain？

随着大语言模型的快速发展，我们面临着新的挑战：如何将LLM与外部工具、数据源和计算资源有效结合？LangChain应运而生，它提供了一个统一的框架来构建基于LLM的应用程序。

1.1 LangChain的核心价值

模块化设计：将复杂任务分解为可重用的组件
链式调用：将多个组件串联成完整的工作流
工具集成：让LLM能够使用外部工具和API
状态管理：维护对话历史和上下文信息

2. Chain（链）概念深度解析

2.1 什么是Chain？

Chain是LangChain中最基本的概念，它代表一系列组件的顺序执行。可以将Chain理解为LLM应用的"工作流"或"管道"。

Chain的核心特征：

顺序执行：组件按预定顺序执行
数据传递：前一个组件的输出作为后一个组件的输入
确定性：执行路径在运行时是确定的
可组合性：Chain本身可以作为其他Chain的组件

2.2 Chain的工作原理

让我们通过一个流程图来理解Chain的基本工作原理：

2.3 基础Chain类型详解

2.3.1 LLMChain - 最基础的Chain

LLMChain结合了LLM、提示模板和输出解析器，是最常用的Chain类型。

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain.schema import BaseOutputParser
import os

# 设置OpenAI API密钥
os.environ["OPENAI_API_KEY"] = "your-api-key-here"

# 自定义输出解析器
class CommaSeparatedListOutputParser(BaseOutputParser):
    """将输出解析为逗号分隔的列表"""
    
    def parse(self, text: str):
        """解析LLM的输出"""
        return [item.strip() for item in text.split(",") if item.strip()]

# 创建LLM实例
llm = OpenAI(temperature=0.7)

# 创建提示模板
prompt_template = PromptTemplate(
    input_variables=["topic"],
    template="请生成关于{topic}的5个相关关键词，用逗号分隔："
)

# 创建LLMChain
llm_chain = LLMChain(
    llm=llm,
    prompt=prompt_template,
    output_parser=CommaSeparatedListOutputParser()
)

# 使用Chain
try:
    result = llm_chain.run("人工智能")
    print("生成的关键词:", result)
except Exception as e:
    print(f"执行出错: {
     
     e}")