LangChain 核心链式组件对比：从 SequentialChain 到 LCEL

本文档旨在详细解析 LangChain 中用于构建顺序工作流的三种核心方式：

1. SimpleSequentialChain (简单顺序链)
2. SequentialChain (通用顺序链)
3. LCEL 管道符 | (现代链式表达式)

我们将首先分别介绍它们的概念，然后通过一个统一的编程示例，展示它们各自的实现方式和差异，并深入讲解其中用到的关键组件。

---

1. 组件介绍

1.1 SimpleSequentialChain (简单顺序链)

概念:
这是最基础的顺序链，如同一个简单的“接力赛”。第一个链执行完毕后，将其单个字符串输出直接作为第二个链的单个输入，以此类推。

核心特点:

• 单入单出: 链条中的每一个子链都必须只有一个输入和一个输出。
• 最终输出: 整个 SimpleSequentialChain 只返回最后一个链的输出结果。
• 无中间状态: 你无法获取中间步骤产生的任何结果。
• 适用场景: 用于非常简单、线性的任务，例如：主题 -> 标题 -> 关于标题的推文。

---

1.2 SequentialChain (通用顺序链)

概念:
这是一个更强大、更灵活的顺序链，可以看作一个拥有共享上下文的“工厂流水线”。它能处理包含多个输入和输出的子链。

核心特点:

• 多入多出: 子链可以拥有多个输入和输出。
• 共享上下文 (Memory): SequentialChain 维护一个包含所有步骤输入和输出的字典。后续的链可以从这个字典中获取任何它所需要的变量。
• 访问中间结果: 你可以访问并返回流程中任何一步的输出结果。
• 显式定义: 需要通过 input_variables, output_variables, 和 output_key 等参数来精确控制数据流。
• 适用场景: 绝大多数需要分解步骤、并且后一步需要前一步结果的复杂任务。

---

1.3 LCEL 管道符 | (LangChain Expression Language)

概念:
这是 LangChain 当前及未来推荐的链构建方式，其核心是 Runnable 协议和管道符 |。它允许你像拼接“乐高积木”一样，将各种组件（提示、模型、解析器、函数等）自由地组合在一起。

核心特点:

• 简洁直观: 语法非常简洁，a | b 的意思就是将 a 的输出作为 b 的输入。
• 高度灵活: 任何实现了 Runnable 接口的对象都可以被链接，包括普通的 Python 函数，这提供了极大的灵活性。
• 强大的数据流控制: 通过字典和 RunnablePassthrough 等工具，可以轻松实现比 SequentialChain 更复杂的数据流管理。
• 原生高级功能: 天然支持**流式(Streaming)、异步(Async)和批量(Batch)**调用，无需额外配置。
• 透明可调试: 链的内部结构清晰，易于调试和可视化。
• 适用场景: 所有新项目。它是构建任何类型链（无论是简单还是复杂）的黄金标准。

---

2. 统一任务场景

我们将用以下这个任务来对比三种实现方式：

1. 初始输入: 一个技术主题（例如：“人工智能”）。
2. 第一步: 根据该主题，生成一个吸引人的中文博客标题。
3. 第二步: 根据生成的标题，为这篇博客写一段简短（2-3句话）的摘要。
4. 最终输出: 同时得到生成的标题和摘要。

注意: SimpleSequentialChain 由于其局限性，无法直接完成“同时输出两项结果”的任务。为了演示，我们将让它完成一个类似的、但只返回最终结果的线性任务。

3. 完整代码示例与组件讲解

以下是完整的 Python 代码，演示了如何用三种方式解决上述问题。

# 安装必要的库
# pip install langchain langchain-openai python-dotenvimport os
from dotenv import load_dotenv# --- 1. 环境与基础组件设置 ---
# 加载 .env 文件中的环境变量 (OPENAI_API_KEY)
load_dotenv()# 导入 LangChain 相关模块
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain, SimpleSequentialChain, SequentialChain
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnable import RunnablePassthroughprint("--- 基础组件初始化 ---")
# 初始化大语言模型 (LLM)
# 这是所有链的“大脑”，负责根据提示生成文本。
# 我们选择 gpt-4o 模型，并设置 temperature=0.7 以增加一些创造性。
llm = ChatOpenAI(model="gpt-4o", temperature=0.7)# 初始化输出解析器 (Output Parser)
# 它的作用是将LLM返回的原始输出（通常是一个 AIMessage 对象）转换成更易于处理的格式，比如纯字符串。
# 在 LCEL 中非常常用。
output_parser = StrOutputParser()# --- 2. SimpleSequentialChain 示例 ---
# 由于它只能返回最终结果，我们调整任务为：主题 -> 标题 -> 关于标题的推文
print("\n--- 示例1: SimpleSequentialChain ---")# a. 第一个链：生成标题
prompt_title = PromptTemplate.from_template("给我一个关于技术主题 '{topic}' 的吸引人的中文博客标题。"
)
chain_title = LLMChain(llm=llm, prompt=prompt_title)# b. 第二个链：根据标题写推文
prompt_tweet = PromptTemplate.from_template("为这篇博客文章写一条推文，标题是：'{title}'" # 注意这里的输入变量名'title'是随意的，因为SimpleSequentialChain会自动传递
)
chain_tweet = LLMChain(llm=llm, prompt=prompt_tweet)# c. 组装简单顺序链
# 它会自动将 chain_title 的输出作为 chain_tweet 的输入
simple_chain = SimpleSequentialChain(chains=[chain_title, chain_tweet], verbose=True)# 运行并打印结果
print("运行 SimpleSequentialChain...")
simple_result = simple_chain.invoke("人工智能在医疗领域的应用")
print("\n[SimpleSequentialChain 最终输出]:")
print(simple_result)# --- 3. SequentialChain 示例 ---
# 这个可以完美解决我们的原始任务：同时返回标题和摘要
print("\n--- 示例2: SequentialChain ---")# a. 第一个链：生成标题 (带 output_key)
# output_key 是关键，它定义了此链输出结果在共享上下文中的键名。
chain_title_seq = LLMChain(llm=llm,prompt=prompt_title,output_key="blog_title" # 指定输出的键为 'blog_title'
)# b. 第二个链：生成摘要
# 它的 input_variables 必须是上一个链的 output_key。
prompt_summary = PromptTemplate.from_template("根据这篇博客的标题 '{blog_title}'，写一段2-3句话的简短摘要。"
)
chain_summary_seq = LLMChain(llm=llm,prompt=prompt_summary,output_key="blog_summary" # 指定输出的键为 'blog_summary'
)# c. 组装通用顺序链
# 在这里，我们精确地控制输入和输出
full_sequential_chain = SequentialChain(chains=[chain_title_seq, chain_summary_seq],input_variables=["topic"], # 定义整个流程的初始输入变量output_variables=["blog_title", "blog_summary"], # 定义整个流程最终要返回的变量verbose=True
)# 运行并打印结果
print("运行 SequentialChain...")
seq_result = full_sequential_chain.invoke({"topic": "人工智能在医疗领域的应用"})
print("\n[SequentialChain 最终输出]:")
print(seq_result)# --- 4. LCEL 管道符 | 示例 ---
# 这是解决该任务的现代、推荐方式
print("\n--- 示例3: LCEL 管道符 | ---")# a. 定义第一个处理步骤 (LCEL 风格)
# 这里的 chain_title_lcel 是一个 Runnable 对象
chain_title_lcel = prompt_title | llm | output_parser# b. 定义第二个处理步骤 (LCEL 风格)
# 这里的 chain_summary_lcel 也是一个 Runnable 对象
chain_summary_lcel = prompt_summary | llm | output_parser# c. 使用 RunnablePassthrough.assign 组装流水线
# 这是 LCEL 中管理上下文、构建复杂数据流的核心技巧。
# .assign() 的作用是：并行或串行地运行一些 Runnable，然后将它们的结果添加到（或覆盖）输入的字典中。
lcel_chain = RunnablePassthrough.assign(# 第一步：运行标题链，并将结果存入 'blog_title' 键。# 输入的字典（包含'topic'）会自动传递给 chain_title_lcel。blog_title=chain_title_lcel
).assign(# 第二步：运行摘要链，并将结果存入 'blog_summary' 键。# 此时输入的字典已经包含了 'topic' 和 'blog_title'，chain_summary_lcel 会自动找到它需要的 'blog_title'。blog_summary=chain_summary_lcel
)# 运行并打印结果
print("运行 LCEL 链...")
lcel_result = lcel_chain.invoke({"topic": "人工智能在医疗领域的应用"})
print("\n[LCEL 链最终输出]:")
print(lcel_result)

4. 关键组件详细讲解

在上面的代码中，我们用到了以下几个核心组件：

1. ChatOpenAI:

   • 作用: LangChain 对 OpenAI 聊天模型（如 GPT-3.5, GPT-4, GPT-4o）的封装。它是执行语言理解和生成任务的“大脑”。
   • 关键参数: model 用于指定模型版本, temperature 用于控制生成文本的随机性（0最确定，2最随机）。

2. PromptTemplate:

   • 作用: 提示词模板。它允许你创建一个包含动态变量的、可复用的提示词结构。
   • 关键参数: template 是包含占位符（如 {topic}）的字符串, input_variables 是一个列表，定义了所有占位符的名称。

3. LLMChain:

   • 作用: 这是 LangChain 经典的链实现，也是最基础的链之一。它将一个 PromptTemplate 和一个 LLM 绑定在一起。
   • 工作流程: 接收输入变量 -> 使用 PromptTemplate 格式化成最终提示词 -> 将提示词发送给 LLM -> 返回 LLM 的输出。
   • output_key: 在 SequentialChain 中至关重要，它为该链的输出命名，以便后续的链可以引用它。

4. SimpleSequentialChain / SequentialChain:

   • 作用: 如前所述，它们是“容器”链，用于将多个子链按顺序组合起来。
   • 关键参数: chains 是一个按执行顺序排列的子链列表。input_variables 和 output_variables (仅 SequentialChain) 用于定义整个工作流的公共接口。

5. StrOutputParser (String Output Parser):

   • 作用: 一个简单的输出解析器，是 LCEL 中非常常用的组件。它的功能是将模型输出（可能是复杂对象）转换成一个简单的字符串。
   • 为何需要: 在 LCEL 中，prompt | llm 的直接输出是一个 AIMessage 对象。通过 | output_parser，我们可以直接得到干净的文本，方便后续处理或直接使用。

6. RunnablePassthrough.assign:

   • 作用: 这是 LCEL 中实现类似 SequentialChain 共享上下文功能的核心工具。
   • 工作原理: 它接收一个字典作为输入，然后并行或串行地运行你提供给它的其他 Runnable（比如我们例子中的 chain_title_lcel）。最后，它将这些 Runnable 的结果作为新的键值对，添加到原始的输入字典中，并返回这个更新后的字典。
   • 为何强大: 这种机制让你能够像搭积木一样，一步步地丰富你的数据上下文，非常灵活和强大。

---

总结: 从 SequentialChain 到 LCEL 的演进，体现了 LangChain 从声明式、类封装的设计哲学，向量更简洁、更灵活、功能更强大的函数式组合范式的转变。对于所有新项目，强烈建议直接学习和使用 LCEL。