LangChain：链的定义、类型和使用

链（Chain）是LangChain中将多个组件（如模型、提示模板、工具、其他链等）按特定逻辑顺序连接起来，以完成复杂任务的机制。

LangChain 的名字源自其框架的核心设计思路：用最简单的链（Chain），将为大语言模型开发的各个组件链接起来，以构建复杂的应用程序。

概念与定义

链（Chain）是LangChain中将多个组件（如模型、提示模板、工具、其他链等）按特定逻辑顺序连接起来，以完成复杂任务的机制。

简单来说：

• 单个组件 = 原子能力（如 LLM、Prompt、工具等）
• Chain = 将这些原子能力串联起来，完成复杂任务

链就是一系列组件的组合，它将一个复杂任务拆解成多个可执行的步骤，形成一个“流水线”。这个流水线的核心在于：前一个步骤的输出会自动成为下一个步骤的输入，确保数据能够流畅地传递和处理，最终完成一个复杂的任务。

这些组件可以是大语言模型、数据查询模块或者文档处理链。链的设计可以灵活地组合使用各种链组件，形成一个完整的数据处理流程，最终完成一个复杂的任务。

如果说大语言模型是功能强大的“大脑”，那么 LangChain 的链（Chain）就是将这些大脑与“手脚”（外部工具、数据源）连接起来的逻辑神经网络。

比喻理解：想象一条自动化流水线或水管系统。每个组件（如模型、数据库查询）像一个“处理站”，链就是连接这些站点的“传送带”或“管道”，它规定了数据从哪里来、经过哪些站、如何加工、最终到哪里去。

核心思想

输入 → [组件A] → [组件B] → [组件C] → 输出
         ↑_________链（Chain）_________↑

• 标准化：复杂流程标准化。
• 组合： 将原子化的功能模块组合成可执行的工作流。
• 序列化： 定义了组件的执行顺序和数据流向。
• 复用： 构建好的链本身可以作为新链的组件，实现模块化开发。

核心特点

特点	说明
顺序执行	组件按定义的顺序依次执行
数据传递	前一个组件的输出可作为后一个组件的输入
统一接口	所有 Chain 都实现 invoke() / run() 等标准方法
可组合性	Chain 可以嵌套 Chain，形成更复杂的工作流
可配置性	支持参数化、回调、内存等高级功能

为什么需要链？

如果没有链，需要手动编写代码来处理每个步骤：调用模型、解析输出、将结果传递给下一个函数、处理错误等。链将这些流程抽象化、标准化，让你能：

• 专注业务逻辑，而非胶水代码（连接不同部分而手动编写的、重复性的、与核心创意无关的代码）。
• 轻松实验不同的组件组合。
• 构建稳定、可维护的AI应用。

链的价值

直接与大型语言模型（LLM）对话时，它像一位“纸上谈兵”的专家，能说会道，但缺乏执行能力。链的价值在于：

• 任务分解与执行：它能将一个复杂任务（如“写一份市场分析报告”）分解为“联网搜索最新趋势” → “总结关键信息” → “基于信息撰写报告”等一系列可执行的步骤。
• 状态管理与记忆：它可以在多步调用之间保持上下文和状态。例如，将上一个模型总结出的信息，作为下一个模型进行翻译的输入。
• 逻辑编排：它能组合 Prompt、LLM、Tools（工具）等多种组件，构建出强大的工作流。

链的类型

LangChain的链世界丰富多样，为满足不同需求，主要分为以下几类：

类型	核心逻辑	适用场景	关键组件/特点
基础链	最简单的链，将 PromptTemplate 与一个LLM直接组合。	单次文本生成、情感分析、基础问答等一次性任务。	PromptTemplate, LLM, LCEL管道符 `
顺序链	将多个链按固定顺序串联，前一个的输出作为后一个的输入。	多步骤文本处理，如“文章摘要” → “翻译”的流水线。	SimpleSequentialChain（单输入/输出）、SequentialChain（多输入/输出）
路由链	根据输入内容，动态判断并选择最合适的子链来处理。	多领域智能客服（如区分“退货”和“产品咨询”）、智能分发系统。	RouterChain, MultiPromptChain
工具/检索链	将检索器（Retriever）与LLM结合，先搜索再生成答案，或集成外部工具。	RAG应用（如私有知识库问答）、AI Agent的工具调用基础。	RetrievalQA, VectorDBQA, SQLDatabaseChain
高级/特定链	为复杂场景设计的专用链，如带记忆的对话、内容检查等。	客服机器人、内容审核、防幻觉应用等。	ConversationChain, LLMCheckerChain

链的使用

从“经典”到“现代”：随着LangChain的演进，构建链的方式发生了革命性变化。

传统的“链式类”方法

早期的 LangChain 通过特定的类（如 LLMChain, SequentialChain）来构建链。这种方式在代码中显式地定义了每个环节，如下面的“生成笑话”链所示。

# 经典的LLMChain示例（已不推荐）
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_openai import OpenAI

llm = OpenAI()
prompt = PromptTemplate.from_template("讲一个关于{topic}的笑话")
chain = LLMChain(llm=llm, prompt=prompt)

result = chain.run(topic="程序员")
print(result)

现代的LCEL声明式方法

现在官方推荐使用LangChain表达式语言（LCEL, LangChain Expression Language）。它使用管道操作符 | 来连接组件，代码更简洁直观。

• 基础链：直接连接 Prompt 和 Model。

  from langchain.prompts import PromptTemplate
  from langchain_openai import ChatOpenAI
  
  prompt = PromptTemplate.from_template("描述一下在{city}的理想一天")
  model = ChatOpenAI(model="gpt-4o-mini")
  chain = prompt | model # 使用 | 将Prompt和Model组合成链
  
  # 执行链，传入初始输入
  response = chain.invoke({"city": "厦门"})
  print(response.content)

• 多步骤链：可以将多个 Prompt、Model 甚至普通Python函数组合起来，形成复杂的工作流。

  # 用LCEL完成 总结 → 翻译 的两步任务
  from langchain.prompts import PromptTemplate
  from langchain_openai import ChatOpenAI
  
  summarize_prompt = PromptTemplate.from_template("用中文总结这段文本:\n\n{text}")
  translate_prompt = PromptTemplate.from_template("将以下内容翻译成英文:\n\n{summary}")
  
  model = ChatOpenAI(model="gpt-4o-mini")
  
  summarize_chain = summarize_prompt | model
  translate_chain = translate_prompt | model
  
  # 组合链，并在中间使用一个lambda函数提取文本内容
  # (lambda x: {"summary": x.content}) 类型转换桥接：提取内容并包装成字典，满足下游的输入格式
  full_chain = summarize_chain | (lambda x: {"summary": x.content}) | translate_chain
  
  # 执行
  result = full_chain.invoke({"text": "人工智能正在改变世界..."})
  print(result.content)

LCEL的核心优势

LCEL不仅语法更优雅，其底层基于 Runnable 协议的设计也带来了强大功能：

• 声明式语法：使用 | 管道符连接，让代码直观地反映业务逻辑流，直观易懂。
• 开箱即用的并行处理：RunnableParallel 类能轻松实现任务的并行执行，提升效率。
• 原生支持批处理和异步：batch() 和 abatch() 方法让你轻松处理批量请求或异步调用。
• 统一接口： 所有链都有 .invoke()， .ainvoke()， .stream()， .batch()方法。
• 组件化设计：将Python函数用 RunnableLambda 包装后，即可无缝集成到LCEL链中，自由组合。

最佳实践与建议

• 优先选择LCEL：在新项目中，官方推荐优先使用LCEL语法构建链，以获得更佳的开发体验。
• 遵循”从简到繁”原则：从一个最简单的 Prompt + Model 链开始，再根据需要逐步增加步骤，这样更容易定位问题。
• 善用输出解析器：通过 StrOutputParser、JsonOutputParser 等解析器，可以让LLM的输出格式更规范，便于后续处理。
• 优雅处理LLM输出：当需要从一个链的输出中提取特定字段作为下一个链的输入时，使用 RunnableLambda 或自定义函数进行数据清洗，如上面多步骤链示例中提取 x.content 所示。
• **为链添加”记忆”**：对于需要上下文的对话场景，使用 RunnableWithMessageHistory 或 ConversationChain 类为链添加记忆能力。
• 理解invoke的输入/输出： 明确你的链需要什么输入变量，它会返回什么。使用chain.input_schema和chain.output_schema查看。
• **善用verbose=True**： 在开发和调试时打开，清晰看到链的每一步执行过程和中间结果。
• 从用例出发： 不要死记硬背所有链。先想清楚你要做什么（如“文档问答”、“总结网页”、“分析结构化数据”），然后去文档找对应的专用链或组合模式。
• 查阅官方文档： LangChain的概念指南和“如何使用”是极佳的学习资源，提供了大量链的示例。

总结

LangChain中的链是实现复杂AI应用的基石。从 PromptTemplate 和 LLM 构建基础单元，到通过 LCEL 的 | 管道符串联组件，再到利用并行、批处理等高级功能，链的概念贯穿始终。随着官方推荐的LCEL声明式方法的普及，现代LangChain开发变得更加简洁、强大和灵活。