LangChain 中的链：Chain

   LangChain 中的 Chain（链） 是其最核心的组件之一，可以把它理解为一个可编排、可复用、按顺序执行的任务流水线。

简单来说，Chain 允许把“调用大模型”、“检索文档”、“处理文本”等多个步骤串联起来，上一个步骤的输出自动成为下一个步骤的输入。这让你能像搭积木一样，构建出从简单问答到复杂知识库检索等各式各样的 AI 应用。

链条怎么搭

目前的 LangChain 推荐使用一种函数式编程风格的LCEL（LangChain 表达式语言） 来构建链。它使用管道符 | 将不同组件连接起来，代码非常简洁直观。

1. 基础单步链：最简单的“一问一答”

这是最基础的用法，将一个提示模板（Prompt）和模型（Model）连接起来。

from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

# 1. 定义提示模板
prompt = PromptTemplate.from_template("为'{city}'这个城市写一句旅游宣传语。")

# 2. 定义模型
model = ChatOpenAI(model="gpt-3.5-turbo")

# 3. 用 | 运算符构建链
chain = prompt | model

# 4. 运行链
response = chain.invoke({"city": "成都"})
print(response.content) # 例如：输出“成都，一座来了就不想走的城市。”

2. 顺序链：搭积木式组合

这是最常用的模式，能实现更复杂的工作流，例如“先生成一份大纲，再根据大纲扩写成完整文章”。

from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-3.5-turbo")

# 步骤 1: 生成大纲的链
outline_prompt = PromptTemplate.from_template("为'{topic}'写一份文章大纲")
outline_chain = outline_prompt | model

# 步骤 2: 根据大纲扩写文章的链
article_prompt = PromptTemplate.from_template("根据下面的大纲，写一篇完整的文章:\n\n大纲: {outline}")
article_chain = article_prompt | model

# 将两个链组合起来
full_chain = outline_chain | (lambda x: {"outline": x.content}) | article_chain

# 运行
result = full_chain.invoke({"topic": "人工智能发展史"})
print(result.content)

3. RAG 检索链：让模型“开卷考试”

这是目前最主流的用法之一，让模型先从一个知识库（如向量数据库）中检索相关文档，再根据这些文档来回答问题，可以有效减少“幻觉”。

from langchain_openai import ChatOpenAI
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain

# 假设已有一个 retriever（检索器）
retriever = ... 

model = ChatOpenAI(model="gpt-3.5-turbo")

# 1. 定义“整合文档并提问”的链
combine_chain = create_stuff_documents_chain(model, prompt)

# 2. 创建最终的 RAG 检索链
rag_chain = create_retrieval_chain(retriever, combine_chain)

# 3. 运行链
response = rag_chain.invoke({"input": "根据文档，2026年公司的主要战略是什么？"})
print(response["answer"])

Chain 的主要类型

除了 LCEL，LangChain 也保留了更显式的链类型，以应对特定场景。

Chain 这种模块化设计，可以轻松地构建、调试和维护复杂的 AI 应用。它最大的价值在于，将“模型的强大推理能力”与“具体的业务逻辑”完美地衔接了起来。

如果正在用 LangChain 开发，建议优先使用 LCEL 语法。