系列目标：30 天从 LangChain 入门到企业级部署
今日任务：理解 Chain 的作用 → 掌握LLMChain基础用法 → 构建可复用的 AI 功能模块！
🔗 一、什么是 Chain？为什么需要它？
在 Day 2–3 中，我们这样调用模型：
prompt = ChatPromptTemplate.from_template("...")
response = llm.invoke(prompt.format(...))
这虽然能跑通，但存在几个问题：
- 重复代码多：每次都要拼 prompt + 调用 llm
- 难以复用：换个任务就要重写一遍
- 不易测试：逻辑散落在各处
Chain 就是 LangChain 的“函数封装” —— 它把 输入 → Prompt → LLM → 输出 整个流程打包成一个可调用对象，像函数一样使用！
✅ 今天主角：
LLMChain（LangChain 最经典的 Chain 类型）
🧱 二、LLMChain 基础用法（三步走）
步骤 1：准备 LLM（本地或云端）
from langchain_ollama import ChatOllama
llm = ChatOllama(model="qwen:7b", temperature=0)
步骤 2：定义 PromptTemplate
from langchain_core.prompts import PromptTemplate
template = """
你是一个翻译助手，请将以下英文句子翻译成中文：
英文：{text}
中文：
"""
prompt = PromptTemplate.from_template(template)
💡 注意：这里用
PromptTemplate（非 Chat 版），因为LLMChain传统上配合普通 LLM 使用。
如果你用的是ChatModel（如ChatOllama），推荐直接用 LCEL 表达式（见下文“现代写法”）。
步骤 3：创建并调用 LLMChain
from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)
result = chain.invoke({"text": "Hello, how are you?"})
print(result["text"]) # 输出：你好，你怎么样？
⚠️ 注意：
LLMChain返回的是字典，键为"text"（由 prompt 决定）。
🆕 三、更推荐的现代写法：LCEL（LangChain Expression Language）
从 LangChain 0.1 开始，官方大力推荐 LCEL 链式表达式（更简洁、更强大）：
# 不需要 LLMChain！直接用管道符 |
chain = prompt | llm
response = chain.invoke({"text": "Artificial Intelligence is amazing!"})
print(response.content)
✅ 优势：
- 代码更短
- 支持流式、异步、批处理
- 更容易组合多个步骤（如
prompt | llm | parser）
📌 结论：新项目建议优先使用 LCEL（
|运算符），但理解LLMChain有助于阅读旧代码。
🛠️ 四、实战：构建一个“产品描述生成器”
用户输入产品关键词，AI 生成一段营销文案。
# day4_llmchain_demo.py
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate
# 1. 初始化模型
llm = ChatOllama(model="qwen:7b", temperature=0.7)
# 2. 定义 ChatPromptTemplate（更自然）
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个电商文案专家，擅长用吸引人的方式描述产品。"),
("human", "请为以下产品生成一段 50 字以内的营销文案：{product}")
])
# 3. 构建 Chain（LCEL 方式）
chain = prompt | llm
# 4. 调用
result = chain.invoke({"product": "无线降噪耳机"})
print(result.content)
▶️ 输出示例：
沉浸静谧世界！这款无线降噪耳机，高清音质+持久续航，通勤必备！
🔁 五、如何让 Chain 支持多输入？
比如同时传入 product 和 tone（语气）：
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个文案专家。"),
("human", "用{tone}的语气，为{product}写一段营销文案。")
])
chain = prompt | llm
result = chain.invoke({
"product": "智能手表",
"tone": "幽默风趣"
})
print(result.content)
✅ 只要在模板中使用
{xxx}，invoke()传入同名键即可！
🔄 六、兼容 OpenAI？只需改一行！
# from langchain_openai import ChatOpenAI
# llm = ChatOpenAI(model="gpt-3.5-turbo")
from langchain_ollama import ChatOllama
llm = ChatOllama(model="qwen:7b")
🎯 同一套 Chain 逻辑，无缝切换模型后端！
⚠️ 七、常见问题 & 注意事项
| 问题 | 解决方案 |
|---|---|
LLMChain 报错 not a valid LLM | 确保传入的是 BaseLLM 或 BaseChatModel 实例 |
| 输出包含多余解释 | 在 system prompt 中强调“只返回文案，不要其他内容” |
| 中文输出乱码 | 使用 Qwen、GLM 等中文优化模型 |
| 想要 JSON 输出？ | 结合 PydanticOutputParser（Day 6 讲） |
💡 最佳实践：
- 新项目用
prompt | llm（LCEL）- 旧项目维护时理解
LLMChain- 所有 Chain 都应单元测试！
📦 八、配套代码结构
langchain-30-days/
└── day4/
├── basic_llmchain.py # 传统 LLMChain 写法
├── modern_lcel.py # 推荐的 LCEL 写法（主推）
└── product_copywriter.py # 产品文案生成器实战
📝 九、今日小结
- ✅ 理解了 Chain 的作用：封装 AI 工作流
- ✅ 学会了
LLMChain基础用法（兼容旧代码） - ✅ 掌握了更现代的 LCEL 链式表达式（
prompt | llm） - ✅ 实现了可复用的“产品文案生成器”
- ✅ 支持多变量输入，模型切换无痛
