当前位置：首页 > news >正文

LangChain快速入门：使用LangChain构建高效的并行语言处理链

news 来源：原创 2025/5/30 10:16:55

使用LangChain构建高效的并行语言处理链

引言

LangChain提供了强大的链式处理功能，本文将介绍如何使用LangChain构建并行语言处理链，实现同时将文本翻译为多种语言的功能。

基础组件介绍

首先，让我们导入必要的组件：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableMap, RunnableLambda
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
import os

提示模板设置

创建中文和日语的提示模板：

# 中文提示模板
prompt_template = ChatPromptTemplate.from_messages([("system", "请将用户的提问转换为中文，不用要回答问题"),("user", "{question}"),
])# 日语提示模板
prompt_template_je = ChatPromptTemplate.from_messages([("system", "请将用户的提问转换为日语，不用要回答问题"),("user", "{question}"),
])

模型配置

使用OpenRouter API配置模型：

model = ChatOpenAI(base_url="https://openrouter.ai/api/v1",api_key=os.getenv("KEY"),model="anthropic/claude-3.7-sonnet:beta"
)

构建处理链

1. 基础链构建

# 创建结果解析器
parser = StrOutputParser()# 构建中文处理链
chain_ch = prompt_template | model | parser# 构建日语处理链
chain_je = prompt_template_je | model | parser

2. 并行链构建

使用RunnableMap实现并行处理：

# 创建并行处理链
parallel_chains = RunnableMap({"chinese": chain_ch,"japanese": chain_je
})# 构建最终处理链，合并结果
final_chain = parallel_chains | RunnableLambda(lambda x: f"中文：{x['chinese']}\n日语：{x['japanese']}"
)

使用示例

# 调用处理链
result = final_chain.invoke({"question": "who are you"})
print(result)# 可视化处理链（需要安装langgraph和grandalf）
final_chain.get_graph().print_ascii()

使用模板参数化处理

另外，我们还可以使用参数化的方式来简化代码：

# 创建通用语言模板
prompt_template = ChatPromptTemplate.from_messages([("system", "请将用户的提问转换为{language}，不用要回答问题"),("user", "{question}"),
])# 使用模板
prompt = prompt_template.invoke({"language": "中文","question": "who are you"
})# 调用模型
result = model.invoke(prompt)
print(result)

技术要点解析

模块化设计
- 使用ChatPromptTemplate创建可复用的提示模板
- 通过StrOutputParser简化输出处理
- 使用RunnableMap实现并行处理
链式处理
- 使用管道操作符（|）连接各个处理组件
- 实现了处理流程的清晰可视化
并行处理
- RunnableMap允许同时执行多个处理链
- 提高了处理效率
结果合并
- 使用RunnableLambda合并多个处理结果
- 提供了灵活的结果格式化方式