LangChain 核心概念：Chain 与 LCEL 实战解析

2.3 Chain 的核心价值

• 解耦组件：每个单元只负责单一职责（验证/生成/存储），便于维护和替换；
• 流程复用：定义好的 Chain 可在多个场景中重复调用（如'问答→存储'链）；
• 扩展灵活：可随时新增/删除处理单元（如在'生成'后加'结果脱敏'单元）。

3. 基础链实战：LLMChain

LLMChain 是 LangChain 中最基础的链，专门用于'提示模板 + 大模型'的简单组合，负责'填充模板→调用模型→返回结果'的单步流程。

注意：LLMChain 是旧版（LangChain 0.2 及之前）的核心链，目前 LangChain 0.3+ 已推荐使用 LCEL，但 LLMChain 仍被保留，适合入门理解链的本质。

3.1 LLMChain 的核心构成

LLMChain 由 3 个核心部分组成，参数说明如下表：

3.2 LLMChain 完整实战案例

3.2.1 环境准备

需先安装 LangChain 相关依赖：

pip install langchain langchain-openai

3.2.2 代码实现（含详细注释）

# 1. 导入依赖
from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain
from langchain_core.prompts import PromptTemplate

# 2.1 定义提示词模板（动态变量为 product）
# 类似 Java 的 String.format("列举%s 的 3 个卖点", product)
prompt_template = PromptTemplate(
    input_variables=["product"], # 声明动态变量
    template="你是文案高手，请列举{product} 的 3 个核心卖点，每个卖点用简短短语描述："
)

# 2.2 初始化大模型（以阿里通义千问为例，需替换为自己的 api_key）
model = ChatOpenAI(
    model_name='deepseek-r1:7b', # 本地模型名称，根据实际情况填写
    base_url="http://127.0.0.1:11434/v1", # 本地模型 API 地址
    api_key="none", # 本地模型通常不需要真实 API 密钥
    temperature=0.7 # 可根据需要调整温度参数
)

# 3. 构建 LLMChain（组装模板和模型）
llm_chain = LLMChain(
    llm=model, # 注入模型
    prompt=prompt_template # 注入提示模板
)

# 4. 调用链（注意：需传递包含动态变量的字典）
# 旧版 run() 方法已淘汰，LangChain 0.3+ 统一用 invoke()
result = llm_chain.invoke({"product": "大模型"}) # 变量 product 赋值为'大模型'

# 5. 输出结果
print("LLMChain 输出结果：")
print(result["text"]) # result 是字典，key 为'text'（默认输出键）

3.2.3 运行结果示例

LangChainDeprecationWarning: The class `LLMChain` was deprecated in LangChain 0.1.17 and will be removed in 1.0. Use :meth:`~RunnableSequence, e.g., `prompt | llm`` instead.
LLMChain 输出结果：

1. **数据驱动** 大模型基于海量数据，提供准确、可靠的内容生成与分析。
2. **自然流畅的输出** 支持多种语言，精准理解用户意图，生成自然地道的语言内容。
3. **轻松应对复杂任务** 灵活处理多种应用场景，快速响应专业或创意需求，满足多领域应用需求。
Process finished with exit code 0

3.3 LLMChain 的适用场景

LLMChain 仅适合简单的单步任务，例如：

• 生成某产品的文案/卖点；
• 翻译指定文本（模板为'将{text}翻译成英文'）；
• 给文章起标题（模板为'给{article_content} 起 3 个标题'）。

局限性：无法实现多步骤流程（如'生成卖点→存储到 Excel'），需用更复杂的链（如 SequentialChain）或新版 LCEL。

4. 新范式实战：LCEL（LangChain Expression Language）

LCEL 是 LangChain 0.3+ 推出的声明式编程语言，核心思想是用「管道符|」串联组件，替代旧版的类继承式链，解决了 LLMChain 的灵活性不足问题。

4.1 为什么需要 LCEL？

旧版 Chain（如 LLMChain）存在以下痛点：

• 多组件组合繁琐（如'模板 + 模型 + 解析器'需手动封装）；
• 不支持流式响应（无法实现 ChatGPT 的'逐字输出'效果）；
• 同步/异步调用不统一（需分别处理同步 run() 和异步 arun()）。

LCEL 的核心优势正是解决这些痛点：

1. 代码极简：用|串联组件，如 prompt | model | parser；
2. 原生支持流式：可直接返回迭代器，实现'逐字输出'；
3. 标准化接口：所有组件均实现 Runnable 协议，输入输出均为字典，无缝衔接；
4. 高级功能内置：支持调试、重试、并行调用（如同时调用两个模型对比结果）。

4.2 LCEL 的核心语法

LCEL 的核心是「管道符|」，规则如下：

• 左侧组件的输出 → 作为右侧组件的输入；
• 所有组件的输入/输出均为字典格式（键为变量名，值为数据）；
• 链的最终调用用 invoke()（同步）、ainvoke()（异步）或 stream()（流式）。

语法结构示例：

# 组件 1：提示模板（输入：question；输出：格式化后的 prompt）
prompt = ChatPromptTemplate.from_template("回答问题：{question}")
# 组件 2：大模型（输入：格式化后的 prompt；输出：模型原始响应）
model = ChatOpenAI(...)
# 组件 3：输出解析器（输入：模型原始响应；输出：纯文本）
parser = StrOutputParser()
# 用 | 串联成链
chain = prompt | model | parser
# 调用链（输入字典需包含 question 变量）
result = chain.invoke({"question":"如何学习 AI 大模型？"})

4.3 LCEL 完整实战案例（对比旧版 LLMChain）

4.3.1 案例需求

实现'接收用户问题→生成格式化提示→调用模型→解析纯文本输出'的流程，对比 LCEL 与 LLMChain 的代码差异。

4.3.2 代码实现（LCEL 版 vs LLMChain 版）

# 导入依赖（LCEL 需额外导入输出解析器）
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain

# 初始化大模型（两版共用）
model = ChatOpenAI(
    model_name='deepseek-r1:7b', # 本地模型名称，根据实际情况填写
    base_url="http://127.0.0.1:11434/v1", # 本地模型 API 地址
    api_key="none", # 本地模型通常不需要真实 API 密钥
    temperature=0.7 # 可根据需要调整温度参数
)

# --------------------------
# 方式 1：新版 LCEL 实现（推荐）
# --------------------------
print("=== LCEL 版输出 ===")
# 1. 定义提示模板（用 ChatPromptTemplate，支持多轮对话格式）
lcel_prompt = ChatPromptTemplate.from_template("你是 AI 学习顾问，请用 3 个步骤回答：{question}")
# 2. 定义输出解析器（将模型响应转为纯文本）
parser = StrOutputParser()
# 3. 用管道符串联组件（prompt → model → parser）
lcel_chain = lcel_prompt | model | parser
# 4. 调用链（输入为字典，key 与模板变量一致）
lcel_result = lcel_chain.invoke({"question":"零基础如何学习 AI 大模型？"})
print(lcel_result)

# --------------------------
# 方式 2：旧版 LLMChain 实现
# --------------------------
print("\n=== LLMChain 版输出 ===")
# 1. 定义提示模板
llmchain_prompt = ChatPromptTemplate.from_template("你是 AI 学习顾问，请用 3 个步骤回答：{question}")
# 2. 构建 LLMChain（需显式传入 llm 和 prompt）
llm_chain = LLMChain(
    llm=model,
    prompt=llmchain_prompt
)
# 3. 调用链（需传递字典参数）
llmchain_result = llm_chain.invoke({"question":"零基础如何学习 AI 大模型？"})
print(llmchain_result["text"])

4.3.3 运行结果对比

两者输出逻辑一致，但 LCEL 代码更简洁（少了显式的 LLMChain 封装）：

=== LCEL 版输出 ===

学习人工智能大模型可以从以下三个步骤开始：
1. **建立基础知识**：
 - 学习数学：从基础的代数、微积分和统计学入手，理解线性代数、微积分和概率论在 AI 中的应用。
 - 掌握编程：选择 Python 作为学习语言，掌握数据结构、算法和基础编程概念。可以通过在线课程或书籍逐步学习。
2. **了解机器学习与深度学习**：
 - 学习概念：研究监督学习、无监督学习和强化学习的基本原理，理解神经网络和深度学习的运作机制。
 - 实践操作：尝试构建一个简单的分类模型，使用 TensorFlow 或 PyTorch 进行数据处理和模型训练。
3. **实践与应用**：
 - 开发项目：利用开源库构建和训练模型，如训练一个分类器或生成式 AI 工具。
 - 关注前沿：追踪 AI 研究进展，了解大模型的最新发展和应用案例，确保理解和应用符合伦理规范。
=== LLMChain 版输出 ===
D:\a-pythonProject\ai-langchain\main.py:355: LangChainDeprecationWarning: The class `LLMChain` was deprecated in LangChain 0.1.17 and will be removed in 1.0. Use :meth:`~RunnableSequence, e.g., `prompt | llm`` instead.
llm_chain = LLMChain(

零基础学习 AI 大模型可以分为以下三个步骤：
1. **打好数学和编程基础**
 - 学习线性代数、概率统计、微积分等数学知识。
 - 掌握 Python 编程，了解数据结构、算法和库如 NumPy、Pandas 的使用。
2. **实践操作，搭建 AI 模型项目**
 - 利用开源框架（如 TensorFlow、PyTorch）开始小规模项目，如文本分类或图像识别。
 - 参考教程和案例，逐步学习构建和优化模型。
3. **持续学习与优化模型**
 - 关注新技术如大语言模型进展、模型压缩等。
 - 不断优化模型性能，并将新知识应用到实际项目中，提升模型效果。
Process finished with exit code 0

5. 旧版 Chain vs 新版 LCEL 核心差异

为了帮助大家快速选择，整理两者的关键差异如下表：

6. 总结

6.1 核心总结

1. Chain 的本质：组件的有序串联，解决多步骤 AI 任务的流程化问题；
2. LLMChain 定位：基础入门链，适合理解'模板 + 模型'的简单组合，已逐步被 LCEL 替代；
3. LCEL 优势：LangChain 0.3+ 的推荐范式，用 | 简化组装，支持流式、异步，适合生产场景。