当前位置： 首页 > article >正文

Langchain学习笔记(十一)：Chain构建与组合技巧

article 2025/8/15 13:57:54

注：本文是Langchain框架的学习笔记；不是教程！不是教程！内容可能有所疏漏，欢迎交流指正。后续将持续更新学习笔记，分享我的学习心得和实践经验。

前言

在LangChain的发展过程中，API设计经历了重要的演进。从0.1.17版本开始，传统的Chain类（如LLMChain、SequentialChain等）被标记为已弃用，官方推荐使用更现代的LCEL（LangChain Expression Language）和管道符（|）语法。本文将详细对比新旧两种方式，帮助大家理解这一重要变化


1. Chain的基本概念与版本变化

1.1 什么是Chain？

Chain（链）是LangChain中用于连接多个组件的核心抽象。想象一下工厂的流水线，每个工作站负责一个特定的任务，产品从一个工作站传递到下一个工作站，最终完成整个生产过程。Chain就是这样的概念：

  • 输入处理：接收用户的原始输入

  • 中间处理：通过多个步骤对数据进行转换和处理

  • 输出生成：产生最终的结果

Chain的核心价值在于：

  1. 模块化设计：将复杂的AI任务分解为多个简单的步骤

  2. 可重用性：每个组件都可以在不同的场景中重复使用

  3. 可维护性：便于调试、测试和优化单个环节

  4. 灵活组合：可以根据需求灵活组合不同的处理步骤


1.2 版本演进的背景

为什么要从传统Chain迁移到LCEL？

传统的Chain类虽然功能强大，但存在一些局限性：

  • 性能瓶颈：无法充分利用并行处理能力

  • 语法复杂：需要创建多个类实例，代码冗长

  • 功能限制：不支持流式处理和高级组合模式

  • 维护困难：复杂的继承关系增加了维护成本

LCEL（LangChain Expression Language）的优势：

  • 直观语法：使用管道符（|）连接组件，类似Unix管道

  • 高性能：原生支持并行、批处理和流式处理

  • 类型安全：更好的类型提示和错误检查

  • 易于调试：清晰的数据流向，便于问题定位


1.3 新旧版本对比表

功能旧版本（已弃用）新版本（推荐）说明
基础链LLMChainprompt | llm最基础的提示词+模型组合
顺序链SequentialChainchain1 | chain2 | chain3按顺序执行多个处理步骤
执行方法chain.run()chain.invoke()单次执行链的方法
批量执行chain.apply()chain.batch()批量处理多个输入
异步执行chain.arun()chain.ainvoke()异步执行，提高并发性能
流式执行不支持chain.stream()实时流式输出，改善用户体验



2. LLMChain的新旧版本对比

2.1 LLMChain的作用和意义

LLMChain是LangChain中最基础、最常用的链类型。它的作用是将提示词模板（Prompt Template）与大语言模型（LLM）连接起来，形成一个完整的处理单元。

LLMChain的核心功能：

  1. 模板化输入：使用提示词模板，支持变量替换

  2. 模型调用：自动调用指定的大语言模型

  3. 输出处理：可选的输出解析和格式化

  4. 错误处理：统一的错误处理机制

使用场景：

  • 文本生成（如写作助手、内容创作）

  • 问答系统（基于提示词的简单问答）

  • 文本分析（情感分析、关键词提取等）

  • 格式转换（如JSON生成、代码生成）


2.2 基础用法对比

旧版本写法（已弃用）

from langchain_ollama import ChatOllama
from langchain.chains import LLMChain  # 已弃用
from langchain.prompts import PromptTemplatellm = ChatOllama(base_url=OLLAMA_BASE_URL,model=MODEL_NAME,temperature=0.1  # 降低温度以获得更确定性的回答
)prompt_template = PromptTemplate(input_variables=["topic"],template="请为我写一篇关于{topic}的简短介绍，大约100字左右。"
)# 构建LLMChain（已弃用）
llm_chain = LLMChain(llm=llm,prompt=prompt_template,verbose=True
)# 使用链（已弃用的方法）
result = llm_chain.run(topic="人工智能")  # 弃用警告
print(result)

新版本写法（推荐）

from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama
from langchain_core.output_parsers import StrOutputParserOLLAMA_BASE_URL = "http://192.168.0.118:11434"
MODEL_NAME = "deepseek-r1:1.5b"llm = ChatOllama(base_url=OLLAMA_BASE_URL,model=MODEL_NAME,temperature=0.1  # 降低温度以获得更确定性的回答
)prompt_template = PromptTemplate(input_variables=["topic"],template="请为我写一篇关于{topic}的简短介绍，大约100字左右。"
)# 使用管道符构建链（推荐）
chain = prompt_template | llm | StrOutputParser()# 使用invoke方法执行（推荐）
result = chain.invoke({"topic": "人工智能"})
print(result)# 新版本支持的其他执行方式
# 批量执行
results = chain.batch([{"topic": "人工智能"},{"topic": "机器学习"}
])
print(results)

新版本的优势解析：

  • 管道符语法：prompt_template | llm | StrOutputParser() 清晰地表达了数据流向

  • 输出解析器：StrOutputParser() 确保输出为字符串格式

  • 批量处理：batch() 方法可以高效处理多个输入

  • 类型安全：更好的类型提示，减少运行时错误


2.3 带输出解析器的高级用法

输出解析器的作用：

输出解析器（Output Parser）是LangChain中用于处理模型输出的重要组件。它的主要作用包括：

  1. 格式化输出：将模型的原始输出转换为结构化数据

  2. 类型转换：确保输出符合预期的数据类型

  3. 验证检查：验证输出是否符合预定义的格式要求

  4. 错误处理：处理格式不正确的输出

新版本写法

from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama
from langchain.output_parsers import CommaSeparatedListOutputParserOLLAMA_BASE_URL = "http://192.168.0.118:11434"
MODEL_NAME = "deepseek-r1:1.5b"llm = ChatOllama(base_url=OLLAMA_BASE_URL,model=MODEL_NAME,temperature=0.1  # 降低温度以获得更确定性的回答
)# 新版本
output_parser = CommaSeparatedListOutputParser()list_prompt = PromptTemplate(template="列出5个关于{topic}的关键词，用逗号分隔。\n{format_instructions}",input_variables=["topic"],partial_variables={"format_instructions": output_parser.get_format_instructions()}
)# 使用管道符连接解析器
chain = list_prompt | llm | output_parserkeywords = chain.invoke({"topic": "机器学习"})
print(f"关键词列表: {keywords}")
print(f"类型: {type(keywords)}")

3. SequentialChain

3.1 SequentialChain的概念和作用

SequentialChain（顺序链）是用于按顺序执行多个处理步骤的链类型。它的核心思想是将复杂的任务分解为多个简单的子任务，然后按照特定的顺序依次执行。

SequentialChain的特点：

  1. 步骤化处理：将复杂任务分解为多个简单步骤

  2. 数据传递：前一个步骤的输出作为后一个步骤的输入

  3. 模块化设计：每个步骤都是独立的，便于测试和维护

  4. 灵活组合：可以根据需要调整步骤的顺序和组合

适用场景：

  • 内容创作流程：大纲生成 → 内容写作 → 格式优化

  • 数据分析流程：数据收集 → 数据清洗 → 分析报告

  • 产品开发流程：需求分析 → 方案设计 → 实施计划

  • 客户服务流程：问题识别 → 解决方案 → 回复生成


3.2 简单顺序链

简单顺序链的特点：

  • 每个步骤只有一个输入和一个输出

  • 前一步的输出直接作为后一步的输入

  • 适合线性处理流程

新版本写法

from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama
from langchain_core.output_parsers import StrOutputParserOLLAMA_BASE_URL = "http://192.168.0.118:11434"
MODEL_NAME = "deepseek-r1:1.5b"llm = ChatOllama(base_url=OLLAMA_BASE_URL,model=MODEL_NAME,temperature=0.1  # 降低温度以获得更确定性的回答
)# 新版本
outline_prompt = PromptTemplate(input_variables=["topic"],template="为主题'{topic}'创建一个详细的文章大纲，包含3-5个主要部分。"
)article_prompt = PromptTemplate(input_variables=["outline"],template="根据以下大纲写一篇简短的文章：\n{outline}"
)# 使用管道符构建顺序链
writing_chain = (outline_prompt| llm| StrOutputParser()| (lambda outline: {"outline": outline})| article_prompt| llm| StrOutputParser()
)final_article = writing_chain.invoke({"topic": "可持续发展"})
print(final_article)

3.2 复杂顺序链

复杂顺序链的特点：

  • 支持多个输入和输出变量

  • 可以在处理过程中保留和传递多个数据

  • 支持并行处理某些步骤

  • 适合复杂的业务逻辑

新版写法

from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough, RunnableParallelOLLAMA_BASE_URL = "http://192.168.0.118:11434"
MODEL_NAME = "deepseek-r1:1.5b"llm = ChatOllama(base_url=OLLAMA_BASE_URL,model=MODEL_NAME,temperature=0.1  # 降低温度以获得更确定性的回答
)# 新版本
analysis_prompt = PromptTemplate(input_variables=["product_name", "product_description"],template="产品：{product_name}\n描述：{product_description}\n请分析产品特点："
)slogan_prompt = PromptTemplate(input_variables=["product_name", "product_analysis"],template="产品：{product_name}\n分析：{product_analysis}\n请创建3个营销标语："
)# 使用RunnableParallel和管道符构建复杂链
product_marketing_chain = (RunnablePassthrough.assign(product_analysis=analysis_prompt | llm | StrOutputParser()) | RunnableParallel(product_analysis=lambda x: x["product_analysis"], marketing_slogans=slogan_prompt | llm | StrOutputParser()
)
)result = product_marketing_chain.invoke({"product_name": "智能语音助手","product_description": "基于AI技术的智能语音助手"
})print("产品分析：", result["product_analysis"])
print("营销标语：", result["marketing_slogans"])

核心组件解析：

  1. RunnablePassthrough.assign()：

    • 作用：在保留原有输入的基础上，添加新的字段
    • 这里添加了 product_analysis 字段，包含产品分析结果

  2. RunnableParallel()：

    • 作用：并行执行多个任务，提高处理效率
    • 同时输出产品分析和营销标语两个结果

处理流程：

  1. 输入处理：接收产品名称和描述
  2. 产品分析：生成产品特点分析，并保留原始输入
  3. 并行输出：同时生成最终的分析结果和营销标语



4. RouterChain

4.1 RouterChain的概念和作用

RouterChain（路由链）是一种智能分发机制，它可以根据输入内容的特征，自动选择最合适的处理路径。就像交通路口的智能信号灯，根据不同方向的车流量来调整信号，RouterChain根据不同类型的输入来选择最佳的处理方式。

RouterChain的核心价值：

  1. 智能分类：自动识别输入内容的类型或意图
  2. 专业处理：为不同类型的问题提供专门的处理逻辑
  3. 提高效率：避免用通用方法处理所有问题
  4. 提升质量：专业化处理通常能获得更好的结果

典型应用场景：

  • 智能客服系统：根据问题类型路由到不同的处理模块

  • 内容分类处理：技术问题、商业问题、创意问题分别处理

  • 多语言支持：根据语言类型选择对应的处理器

  • 难度分级：简单问题快速回答，复杂问题深度分析


4.2 基础路由链

路由逻辑的设计思路：

  1. 关键词匹配：通过关键词识别问题类型
  2. 专业模板：为每种类型设计专门的提示词模板
  3. 默认处理：为无法分类的问题提供通用处理方式

新版写法

from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableBranchOLLAMA_BASE_URL = "http://192.168.0.118:11434"
MODEL_NAME = "deepseek-r1:1.5b"llm = ChatOllama(base_url=OLLAMA_BASE_URL,model=MODEL_NAME,temperature=0.1  # 降低温度以获得更确定性的回答
)# 新版本
tech_prompt = PromptTemplate(template="你是技术专家。请回答：{input}",input_variables=["input"]
)business_prompt = PromptTemplate(template="你是商业顾问。请回答：{input}",input_variables=["input"]
)default_prompt = PromptTemplate(template="请回答：{input}",input_variables=["input"]
)# 使用RunnableBranch实现路由逻辑
def route_question(x):question = x["input"].lower()if any(keyword in question for keyword in ["代码", "编程", "技术", "开发"]):return "tech"elif any(keyword in question for keyword in ["商业", "市场", "销售", "管理"]):return "business"else:return "default"router_chain = RunnableBranch((lambda x: route_question(x) == "tech", tech_prompt | llm | StrOutputParser()),(lambda x: route_question(x) == "business", business_prompt | llm | StrOutputParser()),default_prompt | llm | StrOutputParser()
)result = router_chain.invoke({"input": "如何优化Python代码性能？"})
print(result)

核心组件详解：

  1. route_question() 函数：

    • 作用：分析输入问题，判断问题类型
    • 逻辑：通过关键词匹配来识别问题领域
    • 返回：问题类型标识（tech/business/default）

  2. RunnableBranch：

    • 作用：根据条件选择不同的处理分支
    • 结构：(条件函数, 处理链) 的元组列表
    • 默认：最后一个参数作为默认处理分支

  3. 专业化提示词：

    • tech_prompt：以技术专家身份回答技术问题
    • business_prompt：以商业顾问身份回答商业问题
    • default_prompt：通用回答模式



总结

LangChain从传统的Chain类向LCEL的迁移代表了框架设计理念的重要演进：

  • API设计更现代化：管道符语法更直观，符合现代编程习惯

  • 性能更优秀：原生支持并行、批处理和流式处理

  • 功能更强大：更灵活的组合方式，更好的调试工具

  • 维护性更好：代码更简洁，逻辑更清晰

虽然旧版本的Chain类仍然可用，但建议在新项目中使用LCEL语法，在现有项目中逐步迁移。这不仅能享受到新版本的性能优势，还能确保代码的长期可维护性

http://www.lryc.cn/news/2404372.html

相关文章：

  • 【判断既约分数】2022-4-3
  • Windows平台RTSP/RTMP播放器C#接入详解
  • 深圳SMT贴片工艺优化关键步骤
  • 从 JDK 8 到 JDK 17：Swagger 升级迁移指南
  • 配置git命令缩写
  • Redis 缓存问题及其解决方案
  • 使用 Coze 工作流一键生成抖音书单视频：全流程拆解与技术实现
  • 【发布实录】云原生+AI，助力企业全球化业务创新
  • vue中的派发事件与广播事件，及广播事件应用于哪些场景和一个表单验证例子
  • DeepSeek 赋能智能养老：情感陪伴机器人的温暖革新
  • LabVIEW主轴故障诊断案例
  • gRPC 的四种通信模式完整示例
  • C#中Struct与IntPtr转换：实用扩展方法
  • Web安全：XSS、CSRF等常见漏洞及防御措施
  • Java基础之数组（附带Comparator）
  • 计算机组成与体系结构：补码数制二（Complementary Number Systems）
  • C#使用MindFusion.Diagramming框架绘制流程图(2):流程图示例
  • 【物联网-ModBus-RTU
  • Java应用10（客户端与服务器通信）
  • STM32学习之I2C（理论篇）
  • 【C/C++】algorithm清单以及适用场景
  • Python_day47
  • 如何在mac上安装podman
  • 小黑一层层削苹果皮式大模型应用探索：langchain中智能体思考和执行工具的demo
  • CppCon 2015 学习:Intro to the C++ Object Model
  • Go 语言中的 make 函数详解
  • 阿里云ACP云计算备考笔记 (4)——企业应用服务
  • 用 NGINX 构建高效 SMTP 代理`ngx_mail_smtp_module`
  • 【前端】常用组件的CSS
  • 【华为云学习与认证】以华为云物联网为基座的全栈开发（从物联网iot平台模块到应用展示、数据分析、机器学习、嵌入式开发等）的系统性学习与认证路线