第四章:大模型（LLM)】06.langchain原理-(2)langchain Chain的使用方法
第四章：大模型（LLM）
第六部分：langchain原理
第二节：langchain Chain的使用方法
1. 什么是 Chain？
在 LangChain 中，Chain 是将一个或多个组件（模型、工具、Prompt 等）按顺序组合起来的执行流程。
它的作用类似于一个“流水线”，输入数据后，经过多个处理步骤，得到最终的输出。
优点：
将复杂的任务拆分为多个可复用的步骤
方便调试和扩展
可以嵌套使用（Chain 里可以再套 Chain）
2. Chain 的常见类型
LangChain 提供了几种常见的 Chain：
| Chain 类型 | 作用 | 示例场景 |
|---|---|---|
| SimpleSequentialChain | 简单串联多个 Chain，输出直接作为下一个 Chain 的输入 | 问题翻译 → 问答 |
| SequentialChain | 支持多个输入输出字段的串联 | 多任务并行处理 |
| LLMChain | 用 LLM 执行特定 Prompt 模板的单步骤任务 | 问答、文本生成 |
| RouterChain | 根据输入自动选择不同的子 Chain | 多领域问答路由 |
| RetrievalQA | 结合检索器（Vector Store）做问答 | 基于知识库的搜索问答 |
3. 基本使用示例
以下是一个使用 LLMChain 的简单示例：
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain# 定义 LLM
llm = OpenAI(temperature=0)# 定义 Prompt 模板
prompt = PromptTemplate(input_variables=["topic"],template="请写一首关于 {topic} 的短诗"
)# 创建 Chain
chain = LLMChain(llm=llm, prompt=prompt)# 运行
result = chain.run("人工智能")
print(result)
说明：
PromptTemplate用来定义输入和输出格式LLMChain结合 LLM 和 Prompt 模板.run()方法直接执行 Chain
4. 多步骤 Chain 示例
使用 SimpleSequentialChain 串联两个步骤：翻译 → 总结
from langchain.chains import SimpleSequentialChain# 第一步：英文翻译
translate_chain = LLMChain(llm=llm,prompt=PromptTemplate(input_variables=["text"],template="将以下内容翻译成英文：{text}")
)# 第二步：英文摘要
summary_chain = LLMChain(llm=llm,prompt=PromptTemplate(input_variables=["text"],template="请用一句话总结以下内容：{text}")
)# 串联
overall_chain = SimpleSequentialChain(chains=[translate_chain, summary_chain])# 执行
print(overall_chain.run("人工智能正在改变世界"))
5. Chain 调试技巧
打印中间结果：
verbose=True可以输出每个步骤的结果自定义输入输出字段：
SequentialChain允许命名输入输出字段，方便多个步骤传递数据结合 Memory：可以让 Chain 记住之前的对话上下文
6. 典型应用场景
数据清洗 + 分析
问答前的上下文检索
多语言翻译与总结
自动化内容生成
7. 流程图：LangChain Chain 工作原理
下面是一个 连接线清晰 的示意图（LLMChain + SimpleSequentialChain 结构）：
[ 用户输入 ] │▼
[ PromptTemplate #1 ] → [ LLM ] → (输出结果1)│▼
[ PromptTemplate #2 ] → [ LLM ] → (最终输出)