LangChain 快速入门：构建 LLMChain 应用

这里使用了 {input} 作为占位符，将在运行时被实际的用户输入替换。

创建 LLMChain

LangChain 提供了流畅的表达式语言（LCEL），允许使用管道操作符 | 将多个组件连接起来。这比传统的 RunnableWithMessageHistory 或旧版 Chain 更加简洁高效。

基础链

将提示模板与模型组合：

chain = prompt | llm

调用链：

result = chain.invoke({"input": "请介绍一下李白？"})
print(result.content)

输出将被限制为系统提示词要求的格式：

李白，唐朝浪漫主义诗人，被誉为'诗仙'。

添加输出解析器

为了将 AIMessage 对象转换为纯字符串，方便后续处理，我们可以添加 StrOutputParser：

from langchain_core.output_parsers import StrOutputParser

output_parser = StrOutputParser()
chain = prompt | llm | output_parser

再次调用：

response = chain.invoke({"input": "请介绍一下李白？"})
print(type(response))  # <class 'str'>
print(response)

现在返回的是直接的字符串，无需再访问 .content 属性。

进阶：流式响应处理

在实际应用中，为了提升用户体验，通常希望看到模型生成的文字逐字显示，而不是等待整个响应完成。LangChain 支持流式输出。

for chunk in chain.stream({"input": "请介绍一下李白？"}):
    print(chunk, end="", flush=True)

这将逐个打印生成的文本块，实现打字机效果。

本地模型部署

除了使用云端 API，LangChain 也支持本地开源模型，如 Ollama。这依赖于硬件配置，适合对数据隐私有要求或预算有限的场景。

以 Ollama 为例，需先安装 Ollama 服务并拉取模型（如 llama3）：

ollama pull llama3

然后在代码中初始化：

from langchain_community.chat_models import ChatOllama

llm_local = ChatOllama(model="llama3", temperature=0.7)
chain_local = prompt | llm_local | output_parser

这种方式无需网络请求即可运行，但速度取决于本地算力。

最佳实践与安全建议

1. 密钥管理：始终使用环境变量或密钥管理服务（如 AWS Secrets Manager）存储 API Key，切勿提交到版本控制系统。
2. 错误处理：网络波动或 API 限流可能导致调用失败，建议在代码中添加 try-except 块进行重试或降级处理。
3. 成本控制：Token 消耗会产生费用，可通过限制最大 token 数或使用低成本模型来控制成本。
4. 提示词工程：优化 System Prompt 能显著提升回答质量，建议对关键指令进行明确约束。
5. 缓存机制：对于相同的输入，可以考虑缓存结果以减少重复调用，降低延迟和费用。

总结

本文详细讲解了 LangChain 中 LLMChain 的基本使用方法。通过组合提示模板、模型和输出解析器，开发者可以快速构建基于大语言模型的应用原型。掌握了 LLMChain 后，后续可以进一步学习检索增强生成（RAG）、代理（Agent）以及多步链等高级功能，以应对更复杂的企业级需求。

在构建应用时，请始终关注安全性、稳定性和成本效益，根据实际业务场景选择合适的模型和架构方案。