什么是 Chain？

在 LangChain 框架中，Chain 是一个核心概念，用于将多个组件或功能模块有序地链接在一起。通过 Chain，可以将模型、提示模板、输出解析器等功能模块组合成一个完整的流程，从而实现复杂任务。Chain 的设计理念在于模块化和简化复杂性，使开发者能够专注于核心业务逻辑，同时更方便地调试和维护应用程序。

为什么需要 Chain？

简化复杂流程

当开发一个简单的应用程序时，单独调用语言模型（LLM）可能已经足够。然而，面对更复杂的场景时，需要多个模型或组件协同工作，而 Chain 可以帮助我们：

封装复杂逻辑：将整个流程抽象成链条中的一个步骤。
模块化开发：通过组合不同的链条，实现高度定制化的功能。
提高维护性：便于调试、扩展和优化。

示例：LLMChain

LLMChain 是最基础的链之一。它将提示模板（PromptTemplate）、语言模型（LLM 或聊天模型）、输出解析器（Output Parser）整合到一个链中。如下是使用与不使用 Chain 的对比：

不使用 Chain：

from langchain import PromptTemplate, OpenAI

# 创建提示模板
template = "{flower}的花语是?"
prompt_temp = PromptTemplate.from_template(template)
prompt = prompt_temp.format(flower='玫瑰')

# 调用模型
llm = OpenAI(temperature=0)
result = llm(prompt)
print(result)

使用 Chain：

from langchain import PromptTemplate, OpenAI, LLMChain

# 定义提示模板
template = "{flower}的花语是?"
prompt_template = PromptTemplate.from_template(template)

# 创建 LLMChain
llm = OpenAI(temperature=0)
llm_chain = LLMChain(llm=llm, prompt=prompt_template)

# 调用链
result = llm_chain({"flower": "玫瑰"})
print(result)

输出：

{'flower': '玫瑰', 'text': '爱情、浪漫、美丽、永恒、誓言、坚贞不渝。'}

通过 LLMChain，我们将提示模板构建和模型调用的逻辑封装在一起，显著简化了代码。

Chain 的调用方式

链的调用方式非常灵活，可以根据场景选择适合的方法。

直接调用

直接调用链对象，实际上是调用其内部实现的 __call__ 方法。例如：

result = llm_chain({"flower": "玫瑰"})

使用 `run` 方法

run 是 __call__ 的等价方法，适用于单输入场景：

result = llm_chain.run("玫瑰")

使用 `predict` 方法

predict 方法适合传入命名参数：

result = llm_chain.predict(flower="玫瑰")

使用 `apply` 方法

apply 方法可以一次处理多个输入：

input_list = [{"flower": "玫瑰"}, {"flower": "百合"}]
result = llm_chain.apply(input_list)

使用 `generate` 方法

generate 返回 LLMResult 对象，包含模型的更多信息：

result = llm_chain.generate(input_list)
print(result.generations)

复杂链：Sequential Chain

Sequential Chain 是一种顺序链，通过将多个链串联，依次执行每个链的任务。例如：

目标：

生成鲜花的知识性说明。
根据说明生成评论。
根据说明和评论生成社交媒体文案。

实现：

from langchain.chains import SequentialChain
from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI
from langchain.chains import LLMChain

llm = OpenAI(temperature=0.7)

# 第一个链：生成说明
template_intro = "描述{color}的{flower}的特性。"
prompt_intro = PromptTemplate(input_variables=["flower", "color"], template=template_intro)
intro_chain = LLMChain(llm=llm, prompt=prompt_intro, output_key="introduction")

# 第二个链：生成评论
template_review = "根据以下介绍，写一段评论：\n{introduction}"
prompt_review = PromptTemplate(input_variables=["introduction"], template=template_review)
review_chain = LLMChain(llm=llm, prompt=prompt_review, output_key="review")

# 第三个链：生成文案
template_social = "根据以下介绍和评论，生成一段社交媒体文案：\n介绍：{introduction}\n评论：{review}"
prompt_social = PromptTemplate(input_variables=["introduction", "review"], template=template_social)
social_chain = LLMChain(llm=llm, prompt=prompt_social, output_key="social_post")

# 顺序链
overall_chain = SequentialChain(
    chains=[intro_chain, review_chain, social_chain],
    input_variables=["flower", "color"],
    output_variables=["introduction", "review", "social_post"],
    verbose=True,
)

result = overall_chain({"flower": "玫瑰", "color": "黑色"})
print(result)

总结

LangChain 中的 Chain 是实现复杂应用程序的基础工具：

通过封装简化了代码。
提供了多种类型的链（如 LLMChain 和 Sequential Chain）。
支持灵活调用和动态组合。

随着任务的复杂性增加，Chain 提供了模块化、高效和可扩展的解决方案，使开发者能够更快速地构建强大的语言模型应用。下一节，我们将探索更高级的链类型，如 RouterChain 和 Memory，以解决动态路由和记忆上下文的问题。

什么是 Chain？ | 豆包MarsCode AI刷题