系列文章目录

基础篇

01-玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南
02-玩转 LangChain Memory 模块：四种记忆类型详解及应用场景全覆盖
03-全面掌握 LangChain：从核心链条构建到动态任务分配的实战指南
04-玩转 LangChain：从文档加载到高效问答系统构建的全程实战
05-玩转 LangChain：深度评估问答系统的三种高效方法（示例生成、手动评估与LLM辅助评估）
06-从 0 到 1 掌握 LangChain Agents：自定义工具 + LLM 打造智能工作流！

实战篇

前言

在自然语言处理（NLP）的世界里，任务需求的多样性和复杂性不断给开发者提出挑战。一个高效的 NLP 系统需要同时胜任多个任务，例如动态生成广告语、个性化推荐，甚至能回答跨学科的问题。然而，传统开发方法通常需要独立为每个任务设计逻辑模块，不仅耗时耗力，还极易导致代码的复杂性失控。

LangChain 以其模块化的设计为这一问题提供了解决方案。它不仅简化了开发流程，还通过强大的链条组合能力，使开发者能够快速搭建从单一任务到多任务分配的完整逻辑流。本篇文章将围绕 LangChain 的核心功能模块展开，从理论到实战，全面展示如何通过它实现自然语言处理任务的高效管理。

在本文中，您将学到以下内容：

1. LangChain 的核心链简介：从基础模块（如 ChatPromptTemplate 和 Pipe Operator）入手，学习如何构建单任务处理链条，逐步扩展到多步骤的复杂任务链。特别是通过 RunnableSequence，我们将探讨如何在多步骤任务中实现数据流转和结果汇总。
2. Router Chain：任务分配与动态路由：通过动态路由机制，将输入内容分配到最适合的处理链条，实现智能化的跨领域任务处理，如物理、数学、历史和计算机科学问题的解答。

不仅如此，文章还提供了详细的代码示例，涵盖从单一任务到复杂任务链条的完整实现过程，助力您快速上手并将其应用于实际项目。

为什么你需要关注这篇文章？

• 如果您是一名自然语言处理的新手：本文将带您快速入门，从基础到进阶，掌握 LangChain 的核心功能。
• 如果您是一名经验丰富的开发者：动态路由和复杂链条的设计方法，将大幅提升您的系统灵活性与开发效率。

本文不是一个纯理论的解读，而是一个贯穿实践的指南。无论是生成广告语、推荐餐厅，还是动态解决跨学科问题，LangChain 都能为您提供强大的技术支持。而本文正是您解锁这些潜能的第一步。

一、LangChain 的核心链简介

LangChain 提供了丰富的模块，帮助开发者高效构建自然语言处理任务的逻辑流。本章将介绍如何通过新的方法直接结合 ChatPromptTemplate 和 ChatOpenAI 来实现核心功能，并利用 Pipe Operator 和 RunnableSequence 实现从简单到复杂的任务链。

1.1 单任务的 Prompt 模型结合

通过 ChatPromptTemplate 和 ChatOpenAI 的结合，可以快速实现单一任务，例如生成广告语、回答问题或其他简单任务。

1.1.1 使用 Prompt 模型生成广告语

以下示例展示了如何结合提示模板与语言模型，生成一条针对产品的中文广告语：

import os
from dotenv import load_dotenv  # 加载环境变量
from langchain_openai import ChatOpenAI  # OpenAI 的语言模型支持
from langchain.prompts import ChatPromptTemplate

# 加载 .env 文件中的环境变量
load_dotenv()

# 从环境变量中获取 API Key 和 Base URL
api_key = os.getenv("ALIYUN_API_KEY")
base_url = os.getenv("ALIYUN_API_URL")

# 初始化语言模型
llm = ChatOpenAI(
    openai_api_key=api_key,
    model_name="qwen-plus",  # 使用 Qwen-Plus 模型
    base_url=base_url,
)

# 定义提示模板
prompt = ChatPromptTemplate.from_template(
    "请为以下产品设计一句吸引人的广告语：\n\n产品：{product}"
)

# 创建链条
chain = prompt | llm

# 输入产品信息并运行链条
product = "健康无糖茶饮"
result = chain.invoke({
   "product": product})
print(f"生成的广告语：{
     result.content}")

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33

（1）功能说明

• 模板动态化：{product} 是占位符，运行时会被实际的输入内容替换。
• 输出示例："一口茶香，一份健康，享受无糖新生活！"

（2）适用场景

• 生成产品广告语。
• 处理单一任务，例如生成问候语或生成 FAQ。

（3）注意事项

• 提示模板需尽量明确，以提高输出结果的精准度。
• 调整 temperature 参数可控制生成结果的多样性。

1.2 管道组合：顺序执行的简单链条

管道组合（Pipe Operator，即 |）是一种高效的方式，可以将多个任务串联起来，每个任务的输出作为下一个任务的输入。这种方法适用于线性的多步骤任务。

1.2.1 使用管道组合生成品牌名称和简介

以下示例展示如何通过两步链条，生成一个中文品牌名称并为其撰写品牌简介：

# 定义第一个任务：生成品牌名称
first_prompt = ChatPromptTemplate.from_template(
    "为一家主营{product}的公司起一个中文品牌名称。"
)
chain_one = first_prompt | llm

# 定义第二个任务：生成品牌简介
second_prompt = ChatPromptTemplate.from_template(
    "为以下品牌撰写一段简介：\n\n品牌名称：{brand_name}"
)
chain_two = second_prompt | llm

# 通过管道组合两个任务
simple_chain = chain_one | chain_two

# 输入数据并运行链条
product = {
   "product": "智能家居设备"}
result = simple_chain.invoke(product)

# 输出最终结果
print(f"生成结果：{
     result.content}")

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

（1）输出示例

• 品牌名称："智家优选"
• 品牌简介："智家优选致力于提供智能化的家居解决方案，为家庭带来便捷与高科技体验。"

（2）适用场景

• 品牌命名与文案撰写。
• 需要简单线性逻辑的任务，例如分两步生成标题和内容。

（3）注意事项

• 管道链条适用于简单的线性任务，不适合复杂的逻辑。
• 输入格式需与提示模板一致，确保正确传递数据。

1.3 RunnableSequence：多步骤复杂任务链

RunnableSequ