当前位置：首页 > news >正文

LangChain 第三课：Chain 链精讲

news 2026/7/23 5:49:31

LangChain 第三课：Chain 链精讲（通俗讲解 + 完整注释代码）

一、核心概念

1. 什么是 Chain

链就是把多个 LangChain 组件按顺序串成一条自动执行流水线不用分步手动调用，写好流程后输入参数自动走完全部流程

2. Chain 核心作用

简化代码，减少重复调用
固定业务执行流程
模型 + 提示词 + 逻辑一键运行
可嵌套、可组合实现复杂任务

3. 最常用 5 种主流链（工作必用）

LLMChain 基础问答链（最基础）
SequentialChain 顺序执行多步链
SimpleSequentialChain 简易顺序链
RetrievalQA 检索问答链（RAG 专用）
ConversationChain 带记忆对话链

二、1. LLMChain 基础问答链（入门必学）

作用

绑定提示词模板 + 大模型，一键执行问答

完整带注释代码

python

运行

# 导入依赖 from langchain_openai import OpenAI from langchain.prompts import PromptTemplate # 导入基础链 from langchain.chains import LLMChain # 1. 初始化大模型 # temperature=0.2 偏向严谨、少发散 llm = OpenAI(temperature=0.2) # 2. 定义提示词模板 template = "请简短讲解{knowledge}这个知识点" prompt = PromptTemplate( input_variables=["knowledge"], # 定义传入变量 template=template ) # 3. 组装成基础链 # 把模型和提示词绑定在一起 llm_chain = LLMChain(llm=llm, prompt=prompt) # 4. 运行链，传入参数执行 result = llm_chain.run(knowledge="向量数据库") # 打印结果 print(result)

执行流程

传入变量 → 填充提示词 → 调用大模型 → 返回答案

三、2. SimpleSequentialChain 简易顺序链

作用

一步结果作为下一步输入，连续执行多个任务适合：翻译→总结、解释→精简、扩写→缩写

业务例子

第一步：解释名词第二步：把解释压缩成一句话

带注释代码

python

运行

from langchain_openai import OpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain, SimpleSequentialChain # 1. 初始化模型 llm = OpenAI(temperature=0.3) # 第一步链：详细解释 template1 = "详细解释一下：{topic}" prompt1 = PromptTemplate(input_variables=["topic"], template=template1) chain1 = LLMChain(llm=llm, prompt=prompt1) # 第二步链：精简成一句话 template2 = "把下面内容精简成一句话：{content}" prompt2 = PromptTemplate(input_variables=["content"], template=template2) chain2 = LLMChain(llm=llm, prompt=prompt2) # 组装顺序链 自动把上一步输出传给下一步 total_chain = SimpleSequentialChain(chains=[chain1, chain2]) # 只需要传入最开始参数 final_result = total_chain.run("大模型RAG") print(final_result)

特点

只能单输入单输出，不能传多个不同变量

四、3. SequentialChain 标准顺序链（企业常用）

作用

支持多个输入、多个输出，复杂多步骤业务首选

业务场景

输入：技术名词 + 使用场景第一步：写原理第二步：写适用场景第三步：写优缺点

带注释代码

python

运行

from langchain_openai import OpenAI from langchain.prompts import PromptTemplate from langchain.chains import LLMChain, SequentialChain llm = OpenAI(temperature=0.2) # 链1：生成原理 prompt1 = PromptTemplate( input_variables=["tech"], template="简述{tech}工作原理" ) chain1 = LLMChain(llm=llm, prompt=prompt1, output_key="principle") # 链2：生成优缺点 prompt2 = PromptTemplate( input_variables=["tech"], template="写出{tech}的优点和缺点" ) chain2 = LLMChain(llm=llm, prompt=prompt2, output_key="advantage") # 组装多入多出顺序链 all_chain = SequentialChain( chains=[chain1, chain2], input_variables=["tech"], # 整体统一输入 output_variables=["principle","advantage"] # 需要拿到的所有输出 ) # 执行获取字典格式结果 res = all_chain.invoke({"tech":"Agent智能体"}) print("原理：",res["principle"]) print("优缺点：",res["advantage"])

五、4. RetrievalQA 检索问答链（RAG 核心链）

作用

专门做文档知识库问答，自动完成：检索文档片段 → 拼接上下文 → 模型生成答案

极简结构逻辑

python

运行

# 伪代码逻辑 # 加载文档 -> 分块 -> 存入向量库 -> 检索相似内容 -> 问答链回答

核心记忆

做本地知识库问答，直接用 RetrievalQA 链

六、5. ConversationChain 对话记忆链

作用

自带记忆组件，自动保存聊天上下文，多轮对话连贯之前记忆层代码就是此链

python

运行

from langchain_openai import OpenAI from langchain.chains import ConversationChain from langchain.memory import ConversationBufferMemory # 初始化记忆 memory = ConversationBufferMemory() # 搭建对话链 conv_chain = ConversationChain(llm=OpenAI(temperature=0.5), memory=memory) # 多轮对话自动记历史 print(conv_chain.predict(input="我在学习LangChain")) print(conv_chain.predict(input="帮我总结它的链功能"))