当前位置：首页 > news >正文

LangChain最详细教程之Chains

news 2025/10/28 13:43:28

简介

一、Chains的基本使用

1 、Chain的基本概念

2 、LCEL 及其基本构成

3 、Runnable

二、传统Chain的使用

1、基础链：LLMChain

2 、顺序链之 SimpleSequentialChain

3、顺序链之 SequentialChain

4、其他链

三、基于LCEL构建的Chains的类型

1 create_sql_query_chain

2 create_stuff_documents_chain

简介

本系列教程将以「系统梳理 + 实战落地」为核心，从基础到进阶全面拆解 LangChain—— 这个目前最流行的大语言模型（LLM）应用开发框架。之前对langchain进行了系统的概述，现在我们就来详细看看每一个板块。

LangChain最详细教程之Model I/O（一）调用模型

LangChain最详细教程之Model I/O（二）Prompt Template

LangChain最详细教程之Model I/O（三）Output Parsers

一、Chains的基本使用

1 、Chain的基本概念

Chain：链，用于将多个组件（提示模板、LLM模型、记忆、工具等）连接起来，形成可复用

的 工作流 ，完成复杂的任务。

Chain 的核心思想是通过组合不同的模块化单元，实现比单一组件更强大的功能。比如：

将 LLM 与 Prompt Template （提示模板）结合
将 LLM 与 输出解析器 结合
将 LLM 与 外部数据 结合，例如用于问答
将 LLM 与 长期记忆 结合，例如用于聊天历史记录
通过将 第一个LLM 的输出作为 第二个LLM 的输入，...，将多个LLM按顺序结合在一起

2 、LCEL 及其基本构成

使用LCEL，可以构造出结构最简单的Chain。

LangChain表达式语言（LCEL，LangChain Expression Language）是一种声明式方法，可以轻松地将多个组件链接成 AI 工作流。它通过Python原生操作符（如管道符 | ）将组件连接成可执行流程，显著简化了AI应用的开发。

LCEL的基本构成：提示（Prompt）+ 模型（Model）+ 输出解析器（OutputParser）

# 在这个链条中，用户输入被传递给提示模板，然后提示模板的输出被传递给模型，然后模型的输出被传
递给输出解析器。
chain = prompt | model | output_parser
chain.invoke({"input":"What's your name?"})

Prompt：Prompt 是一个 BasePromptTemplate，这意味着它接受一个模板变量的字典并生成一个 PromptValue 。PromptValue 可以传递给 LLM（它以字符串作为输入）或 ChatModel（它以消息序列作为输入）。
Model：将 PromptValue 传递给 model。如果我们的 model 是一个 ChatModel，这意味着它将输出一个 BaseMessage 。
OutputParser：将 model 的输出传递给 output_parser，它是一个 BaseOutputParser，意味着它可以接受字符串或 BaseMessage 作为输入。
chain：我们可以使用 | 运算符轻松创建这个Chain。 | 运算符在 LangChain 中用于将两个元素组合在一起。

invoke：所有LCEL对象都实现了 Runnable 协议，保证一致的调用方式（ invoke / batch / stream ）

3 、Runnable

Runnable是LangChain定义的一个抽象接口（Protocol），它 强制要求 所有LCEL组件实现一组标准方法：

class Runnable(Protocol):
def invoke(self, input: Any) -> Any: ... # 单输入单输出
def batch(self, inputs: List[Any]) -> List[Any]: ... # 批量处理
def stream(self, input: Any) -> Iterator[Any]: ... # 流式输出
# 还有其他方法如 ainvoke（异步）等

任何实现了这些方法的对象都被视为LCEL兼容组件。比如：聊天模型、提示词模板、输出解析器、检索器、代理(智能体)等。

每个 LCEL 对象都实现了 Runnable 接口，该接口定义了一组公共的调用方法。这使得 LCEL 对象链也自动支持这些调用成为可能。

2、为什么需要统一调用方式？

传统问题

假设没有统一协议：

提示词渲染用 .format()
模型调用用 .generate()
解析器解析用 .parse()
工具调用用 .run(）

代码会变成：

prompt_text = prompt.format(topic="猫") # 方法1
model_out = model.generate(prompt_text) # 方法2
result = parser.parse(model_out) # 方法3

痛点：每个组件调用方式不同，组合时需要手动适配。

3、LCEL解决方案

通过 Runnable 协议统一：

#（分步调用）
prompt_text = prompt.invoke({"topic": "猫"}) # 方法1
model_out = model.invoke(prompt_text) # 方法2
result = parser.invoke(model_out) # 方法3
#（LCEL管道式）
chain = prompt | model | parser # 用管道符组合
result = chain.invoke({"topic": "猫"}) # 所有组件统一用invoke

一致性：无论组件的功能多复杂（模型/提示词/工具），调用方式完全相同
组合性：管道操作符 | 背后自动处理类型匹配和中间结果传递

二、传统Chain的使用

1、基础链：LLMChain

LCEL之前，最基础也最常见的链类型是LLMChain。

这个链至少包括一个提示词模板（PromptTemplate），一个语言模型（LLM 或聊天模型）。

特点：

用于 单次问答，输入一个 Prompt，输出 LLM 的响应。
适合 无上下文 的简单任务（如翻译、摘要、分类等）。
无记忆：无法自动维护聊天历史

主要步骤

1、配置任务链：使用LLMChain类将任务与提示词结合，形成完整的任务链。

chain = LLMChain(llm = llm, prompt = prompt_template)

2、执行任务链：使用invoke()等方法执行任务链，并获取生成结果。可以根据需要对输出进行处理和展示。

result = chain.invoke(...)
print(result)

参数说明

参数名	类型	默认值	必要	说明
llm	Union[RunnableLanguageModel, str, Awaitable]	-	是	要调用的语言模型
prompt	BasePromptTemplate	-	是	要使用的提示对象
verbose	bool	False	否	显示详细调试信息。在聊天模式下，默认会使用颜色编码，而在 langchain.global.set_verbose () 设置为 T rue 时，一些中间步骤将被列出来
callback_manager	Optional[BaseCallbackManager]	None	否	【已弃用】请改用 callbacks。可选的回调管理器或回调管理器列表，用于处理运行时的回调。如果未指定，将使用全局默认值
callbacks	Callbacks	None	否	可选的回调列表或回调管理器，用于处理运行时的回调。如果未指定，将使用全局默认值。另见 on_chain_start/on_chain_end/on_chain_error 方法，自定义回调逻辑
llm_kwargs	dict	-	否	语言模型的关键字参数字典
memory	Optional[BaseMemory]	None	否	可选的记忆对象。默认为 None。记忆是一个在会话开始时初始化的键值存储，存储输入、输出和其他变量在上下文中。有许多不同类型的内存，请查看有关默认记忆的部分
metadata	Optional[Dict[str, Any]]	None	否	与链相关的可选元数据，默认为 None。这些元数据将与调用链的每次 log 相关联，并作为参数传递给 AwaitableCallbackHandler 的方法，例如在返回的 Generation 对象中附加元数据
output_parser	BaseLLMOutputParser	-	否	LLM 输出解析器。默认为 StrOutputParser
return_final_only	bool	True	否	是否只返回最终结果。默认为 True。如果为 False，则返回包含生成信息的对象
tags	Optional[List[str]]	None	否	与链相关的可选标签列表。默认为 None。这些标签将与调用链的每次 log 相关联，并作为参数传递给 AwaitableCallbackHandler 的方法，例如在返回的 Generation 对象中附加标签

from langchain.chains.llm import LLMChain
from langchain_core.prompts import PromptTemplate, ChatPromptTemplateimport os
import dotenv
from langchain_openai import ChatOpenAIdotenv.load_dotenv()os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY1")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")# 1、创建大模型实例
chat_model = ChatOpenAI(model="gpt-4o-mini")# 2、提供提示词模板
# BasePromptTemplate的典型子类有：PrompTemplate、ChatPromptTemplate
prompt_template = ChatPromptTemplate.from_messages([("system", "你是一个数学高手"),("human", "帮我解决如下的数学问题：{question}")])chain = LLMChain(llm=chat_model,prompt=prompt_template,verbose=True,  #显式执行过程中的详细日志情况
)
response = chain.invoke(input={"question": "1 + 2 * 3 = ?"})
print(response)

2 、顺序链之 SimpleSequentialChain

顺序链（SequentialChain）允许将多个链顺序连接起来，每个Chain的输出作为下一个Chain的输入，形成特定场景的流水线（Pipeline）。

顺序链有两种类型：

单个输入/输出：对应着 SimpleSequentialChain
多个输入/输出：对应着：SequentialChain

SimpleSequentialChain：最简单的顺序链，多个链 串联执行 ，每个步骤都有单一的输入和输出，一个步骤的输出就是下一个步骤的输入，无需手动映射。

# 1.导入相关包
from langchain.chains import LLMChain
from langchain_core.prompts import PromptTemplate
from langchain.chains import SimpleSequentialChain# 2.创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini")# 3.定义一个给剧名写大纲的LLMChain
template1 = """你是个剧作家。给定剧本的标题，你的工作就是为这个标题写一个大纲。
Title: {title}
"""
prompt_template1 = PromptTemplate(input_variables=["title"], template=template1)
synopsis_chain = LLMChain(llm=llm, prompt=prompt_template1)# 4.定义给一个剧本大纲写一篇评论的LLMChain
template2 = """你是《纽约时报》的剧评家。有了剧本的大纲，你的工作就是为剧本写一篇评论
剧情大纲:
{synopsis}
"""
prompt_template2 = PromptTemplate(input_variables=["synopsis"], template=template2)
review_chain = LLMChain(llm=llm, prompt=prompt_template2)# 5.定义一个完整的链按顺序运行这两条链
#(verbose=True:打印链的执行过程)
overall_chain = SimpleSequentialChain(chains=[synopsis_chain, review_chain],verbose=True
)
# 6.调用完整链顺序执行这两个链
review = overall_chain.invoke({"input":"日落海滩上的悲剧"})# 7.打印结果
print(review)

3、顺序链之 SequentialChain

SequentialChain：更通用的顺序链，具体来说：

多变量支持 ：允许不同子链有独立的输入/输出变量。
灵活映射 ：需 显式定义 变量如何从一个链传递到下一个链。即精准地命名输入关键字和输出关键字，来明确链之间的关系。
复杂流程控制 ：支持分支、条件逻辑（分别通过 input_variables 和 output_variables 配置输入和输出）。

from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import SequentialChain
from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain
from openai import OpenAI
import os# 创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini")schainA_template = ChatPromptTemplate.from_messages([("system", "你是一位精通各领域知识的知名教授"),("human", "请你先尽可能详细的解释一下：{knowledge}，并且{action}")]
)schainA_chains = LLMChain(llm=llm,prompt=schainA_template,verbose=True,output_key="schainA_chains_key")# schainA_chains.invoke({
#     "knowledge": "中国的篮球怎么样？",
#     "action": "举一个实际的例子"
# }
# )schainB_template = ChatPromptTemplate.from_messages([("system", "你非常善于提取文本中的重要信息，并做出简短的总结"),("human", "这是针对一个提问完整的解释说明内容：{schainA_chains_key}"),("human", "请你根据上述说明，尽可能简短的输出重要的结论，请控制在100个字以内"),]
)schainB_chains = LLMChain(llm=llm,prompt=schainB_template,verbose=True,output_key='schainB_chains_key')# 一定要声明出两个变量：input_variables、output_variables
Seq_chain = SequentialChain(chains=[schainA_chains, schainB_chains],input_variables=["knowledge", "action"],output_variables=["schainA_chains_key","schainB_chains_key"],verbose=True)response = Seq_chain.invoke({"knowledge":"中国足球为什么踢得烂","action":"举一个实际的例子"})print(response)

4、其他链

数学链 LLMMathChain LLMMathChain将用户问题转换为数学问题，然后将数学问题转换为可以使用 Python 的 numexpr 库执行的表达式。使用运行此代码的输出来回答问题。
路由链 RouterChain 路由链（RouterChain）用于创建可以 动态选择下一条链 的链。可以自动分析用户的需求，然后引导到最适合的链中执行，获取响应并返回最终结果。比如，我们目前有三类chain，分别对应三种学科的问题解答。我们的输入内容也是与这三种学科对应，但是随机的，比如第一次输入数学问题、第二次有可能是历史问题... 这时候期待的效果是：可以根据输入的内容是什么，自动将其应用到对应的子链中。RouterChain就为我们提供了这样一种能力。
文档链 StuffDocumentsChain(了解) StuffDocumentsChain 是一种文档处理链，它的核心作用是将 多个文档内容合并 （“填充”或“塞入”）到单个提示（prompt）中，然后传递给语言模型（LLM）进行处理。 使用场景 ：由于所有文档被完整拼接，LLM 能同时看到全部内容，所以适合需要全局理解的任务，如总结、问答、对比分析等。但注意，仅适合处理 少量/中等长度文档 的场景。

三、基于LCEL构建的Chains的类型

前面讲解的都是Legacy Chains，下面看最新的基于LCEL构建的Chains。

create_sql_query_chain
create_stuff_documents_chain
create_openai_fn_runnable
create_structured_output_runnable
load_query_constructor_runnable
create_history_aware_retriever
create_retrieval_chain

1 create_sql_query_chain

create_sql_query_chain，SQL查询链，是创建生成SQL查询的链，用于将 自然语言 转换成 数据库的SQL查询

# pip install -U langchain langchain-community langchain-openai
from langchain_openai import ChatOpenAI
from langchain.chains import create_sql_query_chain
from langchain_community.utilities import SQLDatabase# 测试连接本地的mysql数据库
db_user = "root"
db_password = "abc123"
db_host = "localhost" #或 127.0.0.1
db_port = "3306"
db_database = "atguigudb"
# mysql+pymysql://用户名:密码@ip地址:端口号/数据库名
db = SQLDatabase.from_uri(f"mysql+pymysql://{db_user}:{db_password}@{db_host}:{db_port}/{db_database}")print("操作的是哪种数据库：",db.dialect)
print("获取数据库中的表：",db.get_usable_table_names())#执行查询操作
res = db.run("SELECT COUNT(*) FROM employees")
print(res)

2 create_stuff_documents_chain

create_stuff_documents_chain用于将 多个文档内容 合并成 单个长文本 的链式工具，并一次性传递给LLM处理（而不是分多次处理）。

适合场景：

保持上下文完整，适合需要全局理解所有文档内容的任务（如总结、问答）
适合处理 少量/中等长度文档 的场景

from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.documents import Document# 定义提示词模板
prompt = PromptTemplate.from_template("""
基于文档{docs}中说的情况，香蕉是什么颜色的？
""")# 创建链
llm = ChatOpenAI(model="gpt-4o-mini")
chain = create_stuff_documents_chain(llm, prompt, document_variable_name="docs")# 文档输入
docs123 = [Document(page_content="苹果，学名Malus pumila Mill.，别称西洋苹果、柰，属于蔷薇科苹果属的植物。苹果是全球最广泛种植和销售的水果之一，具有悠久的栽培历史和广泛的分布范围。苹果的原始种群主要起源于中亚的天山山脉附近，尤其是现代哈萨克斯坦的阿拉木图地区，提供了所有现代苹果品种的基因库。苹果通过早期的贸易路线，如丝绸之路，从中亚向外扩散到全球各地。"),Document(page_content="香蕉是白色的水果，主要产自热带地区。"),Document(page_content="蓝莓是蓝色的浆果，含有抗氧化物质。")
]
# 执行摘要
chain.invoke({"docs": docs123})

查看全文

http://www.dtcms.com/a/537789.html