LangChain ：Chain
好的，我们来深入浅出地讲解 LangChain 中的核心概念之一：Chains（链）。
核心概念：什么是 Chain？
在 LangChain 中，Chain（链） 是一个核心抽象，它允许我们将多个组件（如模型、提示模板、其他链、工具等）按预定的顺序或逻辑连接起来，以完成一个更复杂的任务。
你可以把它想象成一个工作流水线或函数调用链。单一的大型语言模型（LLM）调用可以比作一个单独的工具，而 Chain 则是将多个工具和步骤组装起来，完成一个端到端的复杂任务。
为什么需要 Chains？
单一的语言模型调用通常只能完成一步任务。但在现实世界中，大部分应用都需要多步推理和协作。例如：
- 总结一篇长文：可能需要先“拆分”文章，再“总结”各部分，最后“合并”总结。
- 基于网络搜索回答问题：需要先“搜索”问题，再“提炼”搜索结果，最后“组织”语言生成答案。
- 与数据库交互：需要先“理解”用户问题，再“转换”为 SQL 查询，接着“执行”查询，最后将结果“解释”给用户。
Chain 就是为了优雅地解决这类多步问题而设计的。它提供了标准化、可复用、可组合的方式来构建这类应用。
Chains 的主要类型和工作模式
LangChain 提供了多种类型的 Chain，下图清晰地展示了最常见的工作模式：
flowchart TDA[用户输入] --> B[PromptTemplate<br>提示模板]B -- 填充变量 --> C[LLM<br>大语言模型]C -- 生成文本 --> D[OutputParser<br>输出解析器]D -- 结构化数据 --> E[最终结果]F[简单顺序链] --> G[组件序列化执行]H[转换链] --> I[处理列表数据<br>如文档摘要]J[路由链] --> K[根据输入选择不同处理分支]L[自定义链] --> M[自由组合组件<br>实现复杂逻辑]其中最基础、最常用的是 LLMChain，它构成了绝大多数复杂链的基础。其工作流程如下：
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_community.llms import OpenAI # 或 from langchain_openai import ChatOpenAI# 1. 创建模板
prompt = PromptTemplate(input_variables=["product"],template="为一家生产{product}的公司起一个好听的名字，并给出一个 slogan。",
)# 2. 创建模型
llm = OpenAI(temperature=0.7) # 或者 ChatOpenAI(model="gpt-3.5-turbo")# 3. 创建链
chain = LLMChain(llm=llm, prompt=prompt)# 4. 运行链
result = chain.run("环保可降解的咖啡杯")
print(result)
# 输出可能:
# 公司名: 绿源杯业
# Slogan: 品味咖啡，守护地球每一杯。调用deepseek
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_community.llms import OpenAI # 或 from langchain_openai import ChatOpenAI
from langchain_openai import ChatOpenAI# 1. 创建模板
prompt = PromptTemplate(input_variables=["product"],template="为一家生产{product}的公司起一个好听的名字，并给出一个 slogan。",
)# 2. 创建模型
#llm = OpenAI(temperature=0.7) # 或者 ChatOpenAI(model="gpt-3.5-turbo")
llm = ChatOpenAI(model="deepseek-chat",api_key="sk-api key",base_url="https://api.deepseek.com/v1", # DeepSeek API 地址temperature=0.7)
# 3. 创建链
chain = LLMChain(llm=llm, prompt=prompt)# 4. 运行链
result = chain.run("环保可降解的咖啡杯")
print(result)
# 输出可能:
# 公司名: 绿源杯业
# Slogan: 品味咖啡，守护地球每一杯。
其他有用的 Chain 类型
除了 LLMChain，LangChain 还提供了许多开箱即用的高级链，专门为常见任务设计：
| 链类型 | 说明 | 典型应用 |
|---|---|---|
| Sequential Chain | 按顺序执行多个链，将一个链的输出作为下一个链的输入。 | 需要多步处理的任务，如翻译后再总结。 |
| Transformation Chain | 处理文档列表，对每个文档进行转换（如总结），然后再组合。 | 长文档摘要（先分块总结，再合并）。 |
| Router Chain | 根据输入内容，决定将其发送到哪个子链（专业模型）处理。 | 构建专家系统，如技术问题路由到编码模型，文学问题路由到创意模型。 |
| Custom Chain | 自己组合各种组件和逻辑，实现高度定制化的流程。 | 任何复杂、独特的业务逻辑。 |
示例：SequentialChain（顺序链）
from langchain.chains import SimpleSequentialChain# 假设我们已经定义了两个链
# chain_1: 负责生成公司名称
# chain_2: 负责根据公司名称写一段简短的介绍overall_chain = SimpleSequentialChain(chains=[chain_1, chain_2], verbose=True)# 运行总链
final_result = overall_chain.run("环保可降解的咖啡杯")
print(final_result)
# 输出:
# 绿源杯业是一家致力于... (这里包含了chain_1的输出和chain_2的输出)如何选择和使用 Chains？
- 从
LLMChain开始：绝大多数任务都是从定义一个好的提示模板和调用 LLM 开始的。这是最基本的构建块。 - 使用内置工具链：在构建常见应用（如带来源的问答Q&A、摘要、API交互）时，先查看LangChain是否提供了对应的内置链（如
create_retrieval_chain,create_summarization_chain），这可以节省大量时间。 - 组合而非重写：LangChain 的设计哲学是组合。尽量将复杂任务拆解成多个小链，然后用
SequentialChain或自定义链将它们组装起来。 - 自定义复杂逻辑：当内置链无法满足需求时，可以继承
Chain基类来创建完全自定义的链，完全控制_call方法的执行逻辑。
总结
Chain（链） 是 LangChain 框架的支柱之一，它解决了复杂AI应用的编排问题。
- 核心价值：通过将多个模块化组件（LLM调用、提示、工具等）连接起来，完成单个LLM调用无法处理的复杂、多步任务。
- 关键思想：可组合性（Composability）。像搭积木一样构建应用程序。
- 使用场景：几乎所有稍复杂的LangChain应用都会用到链，从简单的提示模板化到复杂的多步推理和操作。
简单来说，如果你需要让LLM完成一个需要多个步骤的任务，Chain 就是你需要的工具。它让你的代码更加结构化、清晰且易于维护。