简介

作为 LangChain 的核心模块之一，Chain 的重要性不言而喻。

它相当于是所有复杂逻辑的基础，负责将每个零散的逻辑连接起来，构建成一整个业务流程。

Chain 的设计非常巧妙，可以说是大模型应用的最佳实践之一。

Chain 的设计非常巧妙，也非常值得借鉴，也是为什么 LangChain 能火爆的主要原因之一。
Chain的主要功能是根据需要将各种能力进行拼接和整合。比如在上图中，LangChain内部包含多个模块，可以根据需求定制LLMChain只使用Prompt和LLM模块，也可以定制一个HogwartsChain，其中包含LLM、Parser和Agent模块。

实践演练

Chains主要包含以下几个模块，接下来的实践演练，会分别演示这几个模块的使用。

先总结一下四个模块

0.连接大模型

先选一个llm，参考这篇博客选择一个国内大模型
LangChain连接国内大模型测试|智谱ai、讯飞星火、通义千问

from langchain_community.chat_models import ChatZhipuAI
import os
os.environ["ZHIPUAI_API_KEY"] = "xx.xx"
llm = ChatZhipuAI(
    model="glm-4",
    temperature=0.5,
)

1.LLMChain

LLMChain是一个整合语言模型和提示模板的最简单链。
是其他Chain的基础，务必掌握！

# LangChain相关模块的导入
from langchain import LLMChain
from langchain.prompts import ChatPromptTemplate

# 根据prompt模板生成prompt实例
prompt = ChatPromptTemplate.from_template(
    "请给生产: {product} 的工厂起一个恰当的厂名，并给出一句广告语。"
)
# 组合大模型实例和prompt实例，生成LLMChain实例，将结构固定，方便复用
chain = LLMChain(
    # 大模型实例
    llm=llm,
    # prompt实例
    prompt=prompt,
    # 开启详细模式，会将大模型调用细节输出到控制台
    verbose=True
)
# 通过run方法，传入模版中需要的参数，调用大模型获取结果
product = "IPhone2014"
res = chain.run(product)
print(res)

<应用场景>
Step1: 为产品生成工厂名称
Step2: 生成广告语。

简单来讲就是

【步骤1】先写一个提问的模版prompt，其中中括号{}表示你要填入的变量名称（本例中交product，表示会把product填入给定位置，组装成一个提问句，传给大模型，你就不用每次都敲 “请给生产xxx广告语” 这句话了，方便吧！！!）
【步骤2】：组建LLMChain示例，指定llm、prompt两个必要参数

• llm：大模型
• prompt：提问的模版prompt

【步骤3】启动Chain，通过chain.run传递输入的变量product（同理，两个参数就是chain.run(product1，product2)，跟传给函数的变量一样）
【步骤4】输出结果

• 实际输入：绿色字体Human后的文字，表示我们给大模型的完整输入（提问句），product的值 是不是 填到了中括号{}的位置！是的。
• 实际输出：> Finished chain下面的内容，就是大模型的输出

先理解 LLMChain 这个链，后面都是基于这个链的复合应用。

2.SimpleSequentialChain

串联式调用语言模型链的一种，简单的串联每个步骤（Chain 实例），每个步骤都有单一的输入/输出，并且一个步骤的输入是下一个步骤的输出。

from langchain.chains import SimpleSequentialChain
'''
###################
### 第一个Chain ###
###################
'''
# 第一个LLM请求的prompt模板
first_prompt = ChatPromptTemplate.from_template(
    "请给生产 {product} 的工厂起一个恰当的厂名"
)
# 第一个Chain，接收外部输入，根据模版请求大模型获取输出，作为第二个Chain的输入
chain_one = LLMChain(llm=llm, prompt=first_prompt, verbose=True)

'''
###################
### 第二个Chain ###
###################
'''
# 第二个大模型请求的prompt模版
second_prompt = ChatPromptTemplate.from_template(
    "为厂名写一段不少于20字的广告语: {company_name}"
)
# 第二个Chain，接收第一个Chain的输出，根据模版请求大模型获取输出
chain_two = LLMChain(llm=llm, prompt=second_prompt, verbose=True)

'''
##################################
### 组建SimpleSequentialChain  ###
##################################
'''
# 将请求拆分成两个Chain，可以针对每段请求细化相应的prompt内容，得到更准确更合理的结果，并且也可以复用其中的每个Chain实例
# 使用SimpleSequentialChain将两个Chain串联起来，其中每个Chain都只支持一个输入和一个输出，根据chains列表中的顺序，将前一个Chain的输出作为下一个Chain的输入
overall_simple_chain = SimpleSequentialChain(
    chains=[chain_one, chain_two],
    verbose=True
)

# 第一个Chain需要的输入
product = "IPhone2014"
# 通过run方法，传入参数，逐个运行整个Chain后，获取最终的结果
res = overall_simple_chain.run(product)
print(res)

<应用场景>
Step1: 为产品起一个厂名
Step2: 为厂名写一段广告语。

本示例SimpleSequentialChain的逻辑是，我想给一个产品起一个公司名和广告语，分两个步骤：

一个chain只负责生成公司名，一个chain负责生成广告语。

• 第一个chain的输入就是 用户的输入
• 第二个chain的输入是 第一个chain的输出

即可实现，我输入一个产品，能同时得到两个东西。且第二个东西的生成可以节约我再次输入的成本。

当然，这里是比较简单的示例，稍复杂些的应用，SimpleSequentialChain是有用武之地的！

可以看到我们进入了 SimpleSequentialChain 的链，进行了两次对话

• 输入1：{product}
• 输出1：工厂名
• 输入2：输出1的工厂名, 作为本次输入{company_name}
• 输出2：广告语

使用 SimpleSequentialChain ，只需记住2个要点！！！
【1】一个输入，有顺序地做n件事
【2】将前一个Chain的输出，作为下一个Chain的输入

3.SequentialChain

序列中的每个 Chain 实例都支持多个输入和输出，最终 SequentialChain 运行时根据 Chains 参数和每个 Chain 示例中设定的参数，分析每个实例所需的参数并按需传递。

重点词汇！按需传递

from langchain.chains import SequentialChain
'''
######################################
### Chain1 给中文产品名称翻译成英文  ###
######################################
'''
# Chain1 语言转换，产生英文产品名
prompt1 = ChatPromptTemplate.from_template(
    "将以下文本翻译成英文: {product_name}"
)
chain1 = LLMChain(
    # 使用的大模型实例
    llm=llm,
    # prompt模板
    prompt=prompt1,
    # 输出数据变量名
    output_key="english_product_name",
)

'''
##################################################
### Chain2 根据英文产品名，生成一段英文介绍文本   ###
##################################################
'''
# Chain2 根据英文产品名，生成一段英文介绍文本
prompt2 = ChatPromptTemplate.from_template(
    "Based on the following product, give an introduction text about 100 words: {english_product_name}"
)
chain2 = LLMChain(
    llm=llm,
    prompt=prompt2,
    output_key="english_introduce"
)

'''
###########################################
### Chain3 产品名的语言判定(中文or英文)   ###
###########################################
'''
# Chain3 找到产品名所属的语言
prompt3 = ChatPromptTemplate.from_template(
    "下列文本使用的语言是什么?: {product_name}"
)
chain3 = LLMChain(
    llm=llm,
    prompt=prompt3,
    output_key="language"
)

'''
#########################
### Chain4 生成概述   ###
#########################
'''
# Chain4 根据Chain2生成的英文介绍，使用产品名称原本的语言生成一段概述
prompt4 = ChatPromptTemplate.from_template(
    "使用语言类型为: {language} ，为下列文本写一段不多于50字的概述: {english_introduce}"
)
chain4 = LLMChain(
    llm=llm,
    prompt=prompt4,
    output_key="summary"
)

'''
############################
### 组建SequentialChain  ###
############################
'''
# 标准版的序列Chain,SequentialChain,其中每个chain都支持多个输入和输出，
# 根据chains中每个独立chain对象，和chains中的顺序，决定参数的传递，获取最终的输出结果
overall_chain = SequentialChain(
    chains=[chain1, chain2, chain3, chain4],
    input_variables=["product_name"],
    output_variables=["english_product_name", "english_introduce", "language", "summary"],
    verbose=True
)
product_name = "重庆小面"
res = overall_chain(product_name)
res

<应用场景>
Step1: 产品名称翻译成英文
Step2: 生成英文介绍文本
Step3: 找到产品名所属的语言
Step4: 生成概述。

简单来讲就是

【步骤1】n件事，先写n个LLMChain（提问的模版prompt + chain）
【步骤2】组建SequentialChain示例，指定chains、input_variables、output_variables三个必要参数

• chains：n个chain，list格式
• input_variables：输入变量，SequentialChain的最初输入
• output_variables：所有的输出变量，SequentialChain的中间输出

【步骤3】启动Chain，通过overall_chain传递输入的变量product_name
【步骤4】输出结果，结果由所有参数构成，字典dict格式。（这种输出方式，有助于代码工程化时的正确取值，dddd）

梳理下4个任务的输入 & 输出变量

【任务1】

• 输入：product_name
• 输出：english_product_name
• 描述：

【任务2】

• 输入：english_product_name
• 输出：english_introduce

【任务3】

• 输入：product_name
• 输出：language

【任务4】

• 输入：language，english_introduce
• 输出：summary

n个任务都会执行！
【任务1】和【任务3】的输入只需要product_name，各输出一个变量
【任务2】的输入是【任务1】的输出
【任务4】的输入是【任务2】和【任务3】的输出

四个任务的输入 & 输出变量关系如下

使用 SequentialChain，也只需记住2个要点！！！
【1】1/n个输入，顺序地做n件事（不确定这样算不算乱序，任务2和任务3的输出输出没有交集，也没有先后顺序）
【2】参数按需传递，将之前Chain的输出，作为后面Chain的输入（可以是在SequentialChain中该子chain运行前，输入/生成的所有变量）

（上面表述的清楚吗？下面是AI整理的表达，可能有助于各位的理解）
使用SequentialChain的两个关键要点可以优化表达如下：

• 顺序执行: SequentialChain能够按照设定的顺序依次执行一系列任务（n件事）。
  尽管任务之间可能没有直接的依赖关系（即任务2和任务3的输出没有交集，且执行没有严格的先后顺序），
  但SequentialChain确保了任务按照既定的流程顺序进行。
• 动态参数传递: SequentialChain支持智能的参数传递机制。
  这意味着在执行过程中，一个Chain的输出可以动态地作为后续Chain的输入。
  这种按需传递参数的能力，使得在SequentialChain中定义的子Chain能够在其运行前接收到所有必要的输入变量，从而实现复杂的业务逻辑。

通过这种设计，SequentialChain不仅能够处理线性的工作流，还能够适应更复杂的、需要多个步骤协同工作的业务场景。

再看两个示例

4.LLMRouterChain

LLMRouterChain + MultiPromptChain实现不同意图识别

LLMRouterChain 是根据提示词的不同而选择不同的Chain进行执行，实现分支判断的作用。

具体教程见博文 LLMChain使用 | RouterChain的使用 - 用本地大模型搭建多Agents
下面我贴上部分内容

我们以“园丁” 和 “插花大师”为例，子链DestinationChain分别是 园丁的chain 和 插花大师的chain

《代码流程》
1.【Step1】初始化语言模型（"qwen:7b")
2.【Step2】构建提示信息（json格式），包括：key、description 和 template
- 【Step2.1】构建两个场景的模板
- 【Step2.2】构建提示信息
3.【Step3】构建目标链chain_map（json格式），以提示信息prompt_infos中的key为key，以Chain为value
4.【Step4】构建路由链router_chain
5.【Step5】构建默认链 default_chain 
6.【Step6】构建多提示链 MultiPromptChain

from langchain.chains.llm import LLMChain
from langchain.prompts import PromptTemplate
from langchain.chains.router.llm_router import LLMRouterChain, RouterOutputParser
from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE as RounterTemplate

## 【Step1】初始化语言模型
# from langchain.llms import OpenAI
# llm = OpenAI()
# llm = AzureChatOpenAI(deployment_name="GPT-4", temperature=0)

ollama_llm = Ollama(model="qwen:7b")

## 【Step2】构建提示信息（json格式），包括：key、description 和 template
# 【Step2.1】构建两个场景的模板
flower_care_template = """
你是一个经验丰富的园丁，擅长解答关于养花育花的问题。
下面是需要你来回答的问题:
{input}
"""

flower_deco_template = """
你是一位网红插花大师，擅长解答关于鲜花装饰的问题。
下面是需要你来回答的问题:
{input}
"""

# 【Step2.2】构建提示信息
prompt_infos = [
    {
        "key": "flower_care",
        "description": "适合回答关于鲜花护理的问题",
        "template": flower_care_template,
    },
    {
        "key": "flower_decoration",
        "description": "适合回答关于鲜花装饰的问题",
        "template": flower_deco_template,
    }
]


## 【Step3】构建目标链chain_map（json格式），以提示信息prompt_infos中的key为key，以Chain为value
chain_map = {}

for info in prompt_infos:
    prompt = PromptTemplate(
        template=info['template'],
        input_variables=["input"]
    )
    print("目标提示:\n", prompt)
    
    chain = LLMChain(
        llm=ollama_llm,
        prompt=prompt,
        verbose=True
    )
    chain_map[info["key"]] = chain

## 【Step4】构建路由链router_chain
destinations = [f"{p['key']}: {p['description']}" for p in prompt_infos]
router_template = RounterTemplate.format(destinations="\n".join(destinations))
print("路由模板:\n", router_template)

router_prompt = PromptTemplate(
    template=router_template,
    input_variables=["input"],
    output_parser=RouterOutputParser(),
)
print("路由提示:\n", router_prompt)

router_chain = LLMRouterChain.from_llm(
    ollama_llm,
    router_prompt,
    verbose=True
)

## 【Step5】构建默认链 default_chain 
from langchain.chains import ConversationChain
default_chain = ConversationChain(
    llm=ollama_llm,
    output_key="text",
    verbose=True
)

## 【Step6】构建多提示链 MultiPromptChain
from langchain.chains.router import MultiPromptChain

chain = MultiPromptChain(
    router_chain=router_chain,
    destination_chains=chain_map,
    default_chain=default_chain,
    verbose=True
)

# 测试1
print(chain.run("如何为玫瑰浇水？"))

示例代码中用的 ollama ，没装ollama工具的，把ollama_llm这个变量替换成前面的智谱ai，llm即可

ollama_llm 替换--> llm

参考

人工智能的黄金链条：LangChain核心模块Chains解析