系列目标：30 天从 LangChain 入门到企业级部署
今日任务：理解 Chain 组合的价值 → 掌握SequentialChain→ 构建“关键词提取 → 文案生成 → 情感分析”三步 AI 流水线！
🔗 一、为什么需要组合多个 Chain？
单一 Chain 只能完成一个任务，比如：
- 翻译一段文字
- 提取用户信息
- 生成产品描述
但真实场景往往是多步骤的：
用户输入：“这款降噪耳机音质太差了！”
我们希望 AI 自动完成： 1️⃣ 提取产品名 → “降噪耳机”
2️⃣ 生成客服回复 → “很抱歉给您带来不好体验…”
3️⃣ 判断情绪 → “negative”
SequentialChain 就是 LangChain 提供的“AI 工作流编排器” —— 它按顺序执行多个 Chain，前一个的输出作为后一个的输入，像流水线一样处理任务。
✅ 今天，我们就来搭建一条全自动的“用户反馈处理流水线”！
🧱 二、SequentialChain 核心概念
| 参数 | 说明 |
|---|---|
chains | 要执行的 Chain 列表（按顺序） |
input_variables | 整个工作流的初始输入字段 |
output_variables | 最终要返回的字段（可选） |
verbose | 是否打印每一步过程（调试用） |
💡 每个子 Chain 必须有明确的输入/输出变量名，且前后衔接。
🛠️ 三、实战：构建“用户反馈处理流水线”
我们将实现以下三步流程：
输入: "这个手机电池续航太短了！"
↓
[Step 1] 提取产品关键词 → "手机"
↓
[Step 2] 生成客服回复 → "感谢反馈，我们会优化电池..."
↓
[Step 3] 分析情绪 → "negative"
↓
输出: {product, reply, sentiment}
步骤 1：准备 LLM 和工具函数
# day8_sequential_chain.py
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import LLMChain, SequentialChain
# 初始化本地模型
llm = ChatOllama(model="qwen:7b", temperature=0)
步骤 2：定义 Step 1 —— 提取产品关键词
# Chain 1: 提取产品
product_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个产品识别助手。"),
("human", "请从以下用户反馈中提取出具体的产品名称（不要品牌）：{feedback}")
])
product_chain = LLMChain(
llm=llm,
prompt=product_prompt,
output_key="product" # 关键：指定输出变量名
)
步骤 3：定义 Step 2 —— 生成客服回复
# Chain 2: 生成客服回复（依赖 product）
reply_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个专业的电商客服。"),
("human", "用户对【{product}】有负面反馈，请写一段礼貌的回复：{feedback}")
])
reply_chain = LLMChain(
llm=llm,
prompt=reply_prompt,
output_key="reply"
)
步骤 4：定义 Step 3 —— 情绪分析
# Chain 3: 情绪分析
sentiment_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个情绪分析器，只返回 'positive' 或 'negative'。"),
("human", "{feedback}")
])
sentiment_chain = LLMChain(
llm=llm,
prompt=sentiment_prompt,
output_key="sentiment"
)
步骤 5：组装 SequentialChain
# 组装流水线
overall_chain = SequentialChain(
chains=[product_chain, reply_chain, sentiment_chain],
input_variables=["feedback"], # 初始输入
output_variables=["product", "reply", "sentiment"], # 最终输出
verbose=True # 查看每一步执行过程
)
# 调用
result = overall_chain.invoke({
"feedback": "这个蓝牙音箱音质太差了，完全不值这个价！"
})
print("\n✅ 最终结果：")
print(f"产品：{result['product']}")
print(f"客服回复：{result['reply']}")
print(f"情绪：{result['sentiment']}")
▶️ 输出示例（verbose 模式）：
> Entering new SequentialChain chain...
... [Step 1] product: 蓝牙音箱
... [Step 2] reply: 非常抱歉给您带来不佳体验...
... [Step 3] sentiment: negative
✅ 最终结果：
产品：蓝牙音箱
客服回复：非常抱歉给您带来不佳体验，我们会将您的反馈转达给产品团队...
情绪：negative
✅ 三步自动完成，无需人工干预！
🔁 四、关键设计原则
1. 变量命名要清晰
- 每个 Chain 的
output_key必须与下一个 Chain 的 prompt 中的{xxx}一致 - 避免命名冲突（如都叫
output）
2. 输入/输出要显式声明
input_variables：整个工作流的入口output_variables：最终要保留的字段（可过滤中间结果）
3. 调试靠 verbose=True
- 开发阶段务必开启，观察每一步是否符合预期
🔄 五、替代方案：LCEL 链式表达式（更现代）
虽然 SequentialChain 直观，但 LangChain 更推荐 LCEL（LangChain Expression Language） ：
from langchain_core.runnables import RunnablePassthrough
# 用 LCEL 实现类似逻辑（需配合字典操作，稍复杂）
# 对于多分支/条件逻辑，LCEL 更灵活；但对于线性流程，SequentialChain 更易读
📌 建议：
- 简单线性流程 → 用
SequentialChain（清晰易懂）- 复杂 DAG/条件分支 → 用 LCEL（Day 25 讲 LangGraph）
⚠️ 六、注意事项
| 问题 | 建议 |
|---|---|
| 某一步失败导致整体中断 | 后续可加 try-except 或重试机制（Day 15 讲 Callback） |
| 中文模型理解“产品名”模糊 | 在 prompt 中举例：“如‘耳机’、‘手机’、‘充电宝’” |
| 想要并行执行？ | SequentialChain 是串行的，并行需用 RunnableParallel（进阶） |
| 输出字段太多？ | 通过 output_variables 精简返回内容 |
📦 七、配套代码结构
langchain-30-days/
└── day8/
└── feedback_processing_pipeline.py # 三步用户反馈处理流水线
📝 八、今日小结
- ✅ 理解了多步骤 AI 工作流的价值
- ✅ 学会了
SequentialChain基础用法 - ✅ 实现了“提取 → 生成 → 分析”三步流水线
- ✅ 掌握了 Chain 之间的变量传递机制
- ✅ 知道了何时用 SequentialChain vs LCEL
