从RetrievalQA到LCEL的迁移：增强自然语言问答系统

### LangChain LCEL 实现多链顺序调用 LangChain 提供了一种灵活的方式来组合多个链条（Chains），并通过其表达语言（LCEL）实现复杂的逻辑操作。以下是关于如何通过 LangChain 的 `SimpleSequentialChain` 和其他组件来实现多链顺序调用的具体方法。 #### 使用 SimpleSequentialChain 组合两条 Chain 可以通过 `SimpleSequentialChain` 将多个链条按顺序连接起来，从而形成一个多阶段的工作流程。以下是一个具体的代码示例： ```python from langchain.chains import SimpleSequentialChain, LLMChain from langchain.prompts import PromptTemplate from langchain.llms import OpenAI # 定义第一个 Chain (Synopsis Chain) synopsis_template = """You are a helpful assistant that generates movie synopses. Title: {title} Genre: {genre} Write a brief synopsis for this movie:""" synopsis_prompt = PromptTemplate(input_variables=["title", "genre"], template=synopsis_template) llm = OpenAI(temperature=0.7) synopsis_chain = LLMChain(llm=llm, prompt=synopsis_prompt) # 定义第二个 Chain (Review Chain) review_template = """You are a helpful assistant that writes reviews about movies. Movie Synopsis: {movie_synopsis} Write a short review of this movie.""" review_prompt = PromptTemplate(input_variables=["movie_synopsis"], template=review_template) review_chain = LLMChain(llm=llm, prompt=review_prompt) # 创建 Sequential Chain 来串联这两个 Chains overall_chain = SimpleSequentialChain(chains=[synopsis_chain, review_chain], verbose=True) # 执行整体 Chain result = overall_chain.run({"title": "The Matrix", "genre": "Science Fiction"}) print(result) ``` 上述代码展示了如何使用 `SimpleSequentialChain` 将两个链条按顺序执行[^1]。首先生成电影简介 (`synopsis_chain`)，然后基于该简介撰写评论 (`review_chain`)。 --- #### 利用 Runnable 协议扩展功能 除了 `SimpleSequentialChain`，还可以利用 LangChain 中的 `Runnable` 协议来自定义更复杂的行为。例如，如果需要支持批量处理或流式传输数据，则可以借助 `Runnable` 接口中的 `stream` 或 `batch` 方法[^3]。下面展示一个简单的例子： ```python from langchain.schema.runnable import RunnableLambda # 自定义函数作为 Chain 的一部分 def process_input(text): return f"Processed Input: {text}" custom_chain = RunnableLambda(process_input) # 结合之前的 Chains 构建新的 Sequence complex_chain = synopsis_chain | custom_chain | review_chain # 调用 Complex Chain 并查看结果 output = complex_chain.invoke({"title": "Inception", "genre": "Thriller"}) print(output) ``` 在这个例子中，我们引入了 `RunnableLambda` 来封装自定义函数，并将其与其他链条结合起来，形成了一个新的工作流。 --- #### 声明式的 LangChain 表达语言（LCEL） 对于更加高级的需求，可以直接采用 LangChain 表达语言（LCEL）。它允许开发者以声明的方式描述整个流水线结构，而无需显式编写 Python 代码。这种模式非常适合大规模部署以及动态调整配置场景下的应用开发[^2]。 虽然官方文档尚未提供完整的 LCEL 示例脚本，但可以根据现有 API 文档推测其实现形式如下所示： ```yaml pipeline: steps: - name: generate_synopsis type: llm_chain config: prompt: | You are an AI writer who creates engaging summaries... input_vars: title: string genre: string - name: write_review type: llm_chain depends_on: [generate_synopsis] config: prompt: | Based on the provided summary, craft a compelling critique... input_vars: movie_synopsis: string ``` 此 YAML 文件定义了一个两步管道：第一步生成摘要；第二步依据前一步的结果撰写影评。实际运行时会由框架解析这些指令并完成相应任务。 ---