LangChain-4-chain
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
案例1没有使用chain
from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import PromptTemplate from langchain_openai import ChatOpenAI template = PromptTemplate.from_template(template="给我讲一个关于{topic}话题的简短笑话") template_invoke = template.invoke({"topic": "蛤蟆"}) llm = ChatOpenAI( model="gpt-3.5-turbo", api_key="sk-", base_url="https://api.34ku.com/v1/", temperature=0.7, max_tokens=200 ) out = llm.invoke(template_invoke) parser = StrOutputParser() resp = parser.invoke(out) print(resp)案例2使用chain
from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import PromptTemplate from langchain_openai import ChatOpenAI template = PromptTemplate.from_template(template="给我讲一个关于{topic}话题的简短笑话") llm = ChatOpenAI( model="gpt-3.5-turbo", api_key="sk-", base_url="https://api.34ku.com/v1/", temperature=0.7, max_tokens=200 ) parser = StrOutputParser() chain = template | llm | parser resp = chain.invoke({"topic": "蛤蟆"}) print(resp)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）
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。
#（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主要实现类
LangChain中几乎所有核心组件都实现了Runnable接口
from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import PromptTemplate from langchain_openai import ChatOpenAI llm = ChatOpenAI( api_key="", base_url="https://api.baichuan-ai.com/v1", model="Baichuan3-Turbo" ) template="桌子上有{number}个苹果，4个桃子，3本身，一共有多少个水果" prompt = PromptTemplate.from_template(template) chain = prompt | llm | StrOutputParser() #invoke # resp = chain.invoke({"number": 4}) # print(resp) #stream for chunk in chain.stream({"number": 4}): print(chunk)