在上篇文章我们学习了LangChain教程——输出解析器，这篇文章我们学习LangChain教程——Chain链。
Chain链
chain链可以将多个组件组合在一起，以创建一个单一、连贯的应用程序，例如：创建一个链接受用户输入，使用提示词模板对其进行格式化并传递给LLM。
链在内部把一系列的功能进行封装，而链的外部又可以组合串联。
通过“ | ”分隔，其格式如下：
chain = 提示词模板 | 模型 | 输出解析器 | ....
# 或
from langchain.chains.llm import LLMChain
chain = LLMChain(
llm=模型,
prompt=提示词模板,
output_parser=输出解析器,
....
)
注意：LLMChain方式准备被移除了。
LangChain中主要有以下几种链：
-
基础链LLMChain
-
路由链RouterChain
-
组合链SequentialChain
-
转换链TransformChain
-
文档链DocumentsChain
-
数字链LLMMathChain
-
SQL查询链create_sql_query_chain
基础链
LLMChain是最基础、最常见的链，它将提示词模板、模型和输出解析器整合在一个链中操作。
它利用提示词模板格式化输入，将格式化后的字符串传递给LLM模型，LLM模型根据输出解析器输出结果，这样使得整个处理过程更加高效便捷。
示例代码如下：
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
# 加载model
model = ChatOpenAI(openai_api_key="google/gemma-3-12b", openai_api_base='http://127.0.0.1:1234/v1')
# 定义提示词模板
prompt = PromptTemplate.from_template("请列出5个流行的{subject}品牌，不需要介绍。")
这里我们定义了列表输出解析器和提示词模板，接下来通过“ | ”链接起来，示例代码如下：
# 使用LLMChain创建Chain链
chain = LLMChain(llm=model, prompt=prompt)
content = chain.invoke({"subject" : "手机"})
这里使用了invoke方法执行整个Chain流程，处理输入并返回最终结果。
运行结果如下：
predict方法
predict可以获取模型的预测结果，可能会跳过Chain中的某些步骤。例如：输入预处理或后处理。
其专注于模型的预测部分，而不是整个Chain的流程。
示例代码如下：
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain.chains.llm import LLMChain
# 加载model
model = ChatOpenAI(openai_api_key="google/gemma-3-12b", openai_api_base='http://127.0.0.1:1234/v1')
# 定义提示词模板
prompt = PromptTemplate.from_template("请列出5个流行的{subject}品牌，不需要介绍。")
# 使用LLMChain创建Chain链
chain = LLMChain(llm=model, prompt=prompt)
content = chain.predict(subject="手机")
print(content)
注意：predict方法需要LLMChain创建的Chain链才能使用。
运行结果如下：
1. 苹果 (Apple)
2. 三星 (Samsung)
3. 小米 (Xiaomi)
4. 华为 (Huawei)
5. OPPO
与invoke方法相比，predict方法输出更简洁，所以速度也会相对比较快。
batch方法
batch方法允许输入列表运行链，一次处理多个输入，示例代码如下：
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
# 加载model
model = ChatOpenAI(openai_api_key="google/gemma-3-12b", openai_api_base='http://127.0.0.1:1234/v1')
# 定义提示词模板
prompt = PromptTemplate.from_template("{subject}的创始人是谁，不需要介绍。")
# Chain链
chain = prompt | model
input_list=[{"subject":"小米"},{"subject":"华为"}]
content = chain.batch(input_list)
for i in content:
print(i)
运行结果如下：
路由链
路由链（RouterChain）是一种决策链，可以在多个LLMChain之间的路由选择与切换，动态选择最合适的处理该问题的链。
假设，我们现在有两个LLMChain，vegetables和animals链，当问蔬菜相关的问题时，调用vegetables链，当问动物相关问题时，调用animals链。
首先导入相关的模块、加载模型、设置提示词模板，示例代码如下：
from langchain.chains.llm import LLMChain
from langchain.chains.router import MultiPromptChain
from langchain.chains.router.llm_router import RouterOutputParser, LLMRouterChain
from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate
from langchain_openai import ChatOpenAI
# 加载model
model = ChatOpenAI(openai_api_key="google/gemma-3-12b", openai_api_base='http://127.0.0.1:1234/v1')
# 动物的提示词模板
animals_template = """You are an expert on animals. Please answer the below query:{input}"""
# 蔬菜的提示词模板
vegetables_template = """You are an expert on vegetables. Please answer the below query:{input}"""
接下来将提示词模板封装在列表中，方便我们创建链，示例代码如下：
prompt_infos = [
{
"name": "animals",
"description": "prompt for an animal expert",
"prompt_template": animals_template,
},
{
"name": "vegetables",
"description": "prompt for a vegetable expert",
"prompt_template": vegetables_template,
},
]
有了提示词模板后，开始封装链，示例代码如下：
# 创建模板链
destination_chains = {}
for p_info in prompt_infos:
name = p_info["name"]
# 定义提示词模板
prompt = ChatPromptTemplate.from_template(template=p_info["prompt_template"])
# 定义链
chain = LLMChain(llm=model, prompt=prompt)
# 将链放在字典中
destination_chains[name] = chain
为了避免用户问了其他问题无法匹配对应的链，我们还需要创建一个默认链，示例代码如下：
# 默认提示词模板
default_prompt = ChatPromptTemplate.from_template("{input}")
default_chain = LLMChain(prompt=default_prompt, llm=model)
接下来我们开始编写路由模板和路由链，示例代码如下：
# 将animals、vegetables加入到提示词模板描述中
router_template = MULTI_PROMPT_ROUTER_TEMPLATE.format(
destinations=", ".join(["animals", "vegetables"])
)
# 定义路由提示词模板
router_prompt = PromptTemplate(
template=router_template,
input_variables=["input"],
# 路由输出解析器
output_parser=RouterOutputParser()
)
# 创建路由链
router_chain = LLMRouterChain.from_llm(prompt=router_prompt,llm=model)
最后通过MultiPromptChain方法来实现路由切换，示例代码如下：
# 实现路由切换
chain = MultiPromptChain(
# 路由链
router_chain=router_chain,
# 默认链
default_chain=default_chain,
# 链的描述
destination_chains=destination_chains,
# 启用详细日志
verbose=True)
content = chain.invoke({"input": "玉米如何烹饪?"})
print(content)
运行结果如下：
在输出结果中，我们调用了vegetables链。
组合链
组合链（SequentialChain）将多个Chain链连接起来，前一个Chain链的输出作为下一个Chain链的输入，其语法格式如下：
SequentialChain(
chains=[Chain1, Chain2...], # 组合链
input_variables=[第一个链的输入变量], # 输入变量
output_variables=[输出变量], # 输出变量
verbose=True # 启用详细日志
)
在使用LLMChain创建链时，需要使用output_key的指定输出变量的名称。示例代码如下：
from langchain.chains import LLMChain,SequentialChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
# 加载model
model = ChatOpenAI(openai_api_key="google/gemma-3-12b", openai_api_base='http://127.0.0.1:1234/v1')
# 第一个链的提示词模板
first_prompt=PromptTemplate.from_template("""只返回{phone}的创始人""")
# 创建链，并指定该输出变量名为Name
first_chain=LLMChain(llm=model,prompt=first_prompt,output_key="Name")
# 第二个链的提示词模板
second_prompt=PromptTemplate.from_template("""请用50字简单介绍该创始人{Name}""")
# 创建链，并指定该输出变量名为slogan
second_chain=LLMChain(llm=model,prompt=second_prompt,output_key="slogan")
接下来使用SequentialChain方法，示例代码如下：
# 组合两个LLMChain
a_v_chains=SequentialChain(
# 组合链
chains=[first_chain, second_chain],
# 输入变量
input_variables=["phone"],
# 输出变量
output_variables=["Name","slogan"],
verbose=True)
content=a_v_chains.invoke({"phone":"小米"})
print(content)
运行结果如下：
SimpleSequentialChain与SequentialChain相似，SimpleSequentialChain使用于每个链只有一个输入和输出、只需要传递单一值的情况
示例代码如下：
# 组合两个LLMChain
simple_chain = SimpleSequentialChain(chains=[first_chain, second_chain], verbose=True)
content=simple_chain.invoke("小米")
print(content)
运行结果如下：
转换链
转换链（TransformChain）是一种无模型链，可以通过自定义函数对输入数据进行处理。其不需要调用LLM，所以执行速度快。
示例代码如下：
from langchain.chains import TransformChain
# 定义转换函数，截取输入文档的前10个字符
def transform_func(inputs:dict)->dict:
text=inputs["text"]
shortened_text=text[:10]
return {"output_text":shortened_text}
transform_chain=TransformChain(
input_variables=["text"], # 输入变量
output_variables=["output_text"], # 输出变量
transform=transform_func, # 转换函数
verbose=True,
)
print(transform_chain.invoke({'text':"LangChain 是一个帮助在应用程序中使用大型语言模型（LLM）的编程框架"}))
运行结果如下：
文档链
文档链（create_stuff_documents_chain）将获取文档，将它们全部格式化为文档列表，并将其内容整合到提示词中传递给LLM。
首先进行文档的获取和加载，示例代码如下：
import bs4
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_community.document_loaders import WebBaseLoader
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_text_splitters import RecursiveCharacterTextSplitter
# 加载model
model = ChatOpenAI(openai_api_key="google/gemma-3-12b", openai_api_base='http://127.0.0.1:1234/v1')
# 获取网络上的文章
loader = WebBaseLoader(
web_path="https://www.ruankao.org.cn/article/content/2506261533205108520700001.html",
# 获取指定区域的内容
bs_kwargs=dict(parse_only=bs4.SoupStrainer(id="contentTxt"))
)
docs = loader.load()
这里我们使用WebBaseLoader方法获取网络上的文章，并指定了获取区域的内容。
接下来使用RecursiveCharacterTextSplitter方法将获取的内容分割，示例代码如下：
# 满足任何一个条件就进行分割
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000, # 根据字符长度
chunk_overlap=200 # 根据行数
)
split_docs = text_splitter.split_documents(docs)
将内容分割后，接下来就可以创建文档链，示例代码如下：
# 定义提示模板
prompt = ChatPromptTemplate.from_template("""根据以下上下文回答问题：{context}问题：{input}""")
# 创建文档链
document_chain = create_stuff_documents_chain(llm=model,prompt=prompt)
result = document_chain.invoke({
"input": "这篇文章主要是说什么？",
# 传入分割后的文档
"context": split_docs
})
print(result)
运行结果如下：
数字链
数字链（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，使用该表达式的输出来回答问题。
在使用前先安装numexpr
pip install numexpr
示例代码如下：
from langchain.chains import LLMMathChain
from langchain_openai import ChatOpenAI
# 加载model
model = ChatOpenAI(openai_api_key="google/gemma-3-12b", openai_api_base='http://127.0.0.1:1234/v1')
# 创建链
llm_math=LLMMathChain.from_llm(model)
# 执行链
res=llm_math.invoke("10**3 +100的结果是多少？")
print(res)
运行结果为：
{'question': '10**3 +100的结果是多少？', 'answer': 'Answer: 1100'}
SQL查询链
SQL查询链（create_sql_query_chain）是创建生成和执行SQL查询的链，用于将自然语言转换为数据库的SQL查询，并与数据库交互获取结果。
示例代码如下：
from langchain_community.utilities import SQLDatabase
from langchain.chains import create_sql_query_chain
from langchain_openai import ChatOpenAI
model = ChatOpenAI(openai_api_key="google/gemma-3-12b", openai_api_base='http://127.0.0.1:1234/v1')
HOST = '127.0.0.1'
USERNAME = 'root'
PASSWORD = '123456'
PORT = 3306
DB = 'music_wechat'
# 创建数据库连接
db=SQLDatabase.from_uri(f"mysql://{USERNAME}:{PASSWORD}@{HOST}:{PORT}/{DB}")
# 获取SQL链对象
chain=create_sql_query_chain(llm=model, db=db)
response=chain.invoke({"question":"查询一共有多少mv"})
print(response)
运行结果如下：
我们可以使用table_names_to_use参数来限制使用哪个表，示例代码如下：
# 限制使用表
response=chain.invoke({"question":"查询一共有多少数据","table_names_to_use":["mv"]})
print(response)
运行结果如下：
好了，LangChain教程——Chain链就讲到这里了，下一篇我们学习LangChain教程——文本嵌入模型。
公众号：白巧克力LIN
该公众号发布Python、数据库、Linux、Flask、Django、自动化测试、Git、算法、前端、服务器、AI等相关文章！
- END -
扫一扫
2779
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
