LangChain Chain链式调用

入门·10 分钟·通过可运行代码讲解「LangChain Chain链式调用」，覆盖环境准备、核心代码、参数说明、异常处理、工程化改造和练习任务，适合 AI 编程入门。

LangChain Chain链式调用

Chain 链式调用是 LangChain 的核心思想之一：把多个处理步骤连接起来，让输入依次经过提示词、模型、解析器或自定义函数，最终得到结果。

为什么需要链式调用

一个真实任务往往不止一步。例如“把文章整理成学习卡片”可能需要：

提取文章要点；
生成问题；
生成答案；
输出 JSON；
保存到文件。

如果所有逻辑写在一个大函数里，会难以维护。链式调用能把每一步拆开。

最小链结构

典型链包含 Prompt、Model、Parser：

prompt = ChatPromptTemplate.from_template('把下面内容总结成三点：{text}')
model = chat_model
parser = StrOutputParser()
chain = prompt | model | parser
 
result = chain.invoke({'text': article})

| 表示把上一步输出交给下一步。

加入输出解析

如果你希望模型输出 JSON，可以加解析器或自己校验：

prompt = ChatPromptTemplate.from_template('请输出JSON，字段包括 title 和 summary：{text}')
result = chain.invoke({'text': text})

注意：模型说“输出 JSON”不代表一定合法。生产中要用 JSON 解析并处理失败。

多步骤链示例

第一步生成摘要，第二步根据摘要生成标题：

summary_chain = summary_prompt | model | parser
title_chain = title_prompt | model | parser
 
summary = summary_chain.invoke({'text': text})
title = title_chain.invoke({'summary': summary})

这比让模型一次完成所有事情更可控，也更容易调试。

什么时候不要链太长

链越长，延迟和成本越高，错误传播也越明显。前一步摘要错了，后一步标题也会错。

所以链式调用要保持必要长度。能用规则完成的步骤，不一定都要交给模型。

调试建议

打印每一步输入输出；
给每一步准备测试样例；
对模型输出做格式校验；
记录 token 和耗时；
链失败时能定位是哪一步失败。

小结

Chain 的价值是把复杂 AI 流程拆成可组合步骤。好的链应该清晰、短小、可测试，而不是把所有工作都丢给一个巨大的提示词。

← 上一篇：LangChain接入向量数据库下一篇：LangChain框架入门 →

反馈问题