【LangChain第3章】LangChain使用之Chains

一. Chains的基本使用

1.1 Chain的基本概念

Chain：链，用于将多个组件（提示模板、LLM模型、记忆、工具等）连接起来，形成可复用的工作流，完成复杂的任务。

Chain 的核心思想是通过组合不同的模块化单元，实现比单一组件更强大的功能。比如：

将 LLM 与 Prompt Template （提示模板）结合
将 LLM 与输出解析器结合
将 LLM 与外部数据结合，例如用于问答
将 LLM 与长腿记忆结合，例如用于聊天历史记录
通过将第一个LLM 的输出作为第二个LLM 的输入，...，将多个LLM按顺序结合在一起

1.2 LCEL及其基本构成

使用LCEL，可以构造出结构最简单的Chain。

LangChain表达式语言（LCEL, LangChain Expression Language）是一种声明式方法，可以轻松地将多个组件链接成 AI 工作流。它通过Python原生操作符（如管道符！）将组件连接成可执行流程，显著简化了AI应用的开发。

LCEL的基本构成：提示（Prompt）+ 模型（Model）+ 输出解析器（OutputParser）

即：

在这个链条中，用户输入被传递给提示模板，然后提示模板的输出被传递给模型，然后模型的输出被传递给输出解析器。
chain = prompt | model | output_parser
chain.invoke( "input": "What's your name?")

Prompt: Prompt 是一个 BasePromptTemplate，这意味着它接受一个模板变量的字典并生成一个 PromptValue。PromptValue 可以传递给 LLM（它以字符串作为输入）或 ChatModel（它以消息序列作为输入）。
Model: 将 PromptValue 传递给 model。如果我们的 model 是一个 ChatModel，这意味着它将输出一个 BaseMessage。
OutputParser: 将 model 的输出传递给 output_parser，它是一个 BaseOutputParser，意味着它可以接受字符串或 BaseMessage 作为输入。
chain : 我们可以使用 | 运算符轻松创建这个Chain。 | 运算符在 LangChain 中用于将两个元素组合在一起。
invoke : 所有LCEL对象都实现了 Runnable 协议，保证一致的调用方式（invoke / batch / stream）

| 符号类似于 shell 里面管道操作符，它将不同的组件链接在一起，将前一个组件的输出作为下一个组件的输入，这就形成了一个 AI 工作流。

1.3 Runnable

1、Runnable是LangChain定义的一个抽象接口（Protocol）

它 强制要求 所有LCEL组件实现一组标准方法：

复制代码

class Runnable(Protocol):
  def invoke(self, input: Any) -> Any: ... # 单输入单输出
  def batch(self, inputs: List[Any]) -> List[Any]: ... # 批量处理
  def stream(self, input: Any) -> Iterator[Any]: ... # 流式输出
  # 还有其他方法如 ainvoke（异步）等...

任何实现了这些方法的对象都被视为LCEL兼容组件。比如：聊天模型、提示词模板、输出解析器、检索器、代理(智能体)等。

每个 LCEL 对象都实现了 Runnable 接口，该接口定义了一组公共的调用方法。这使得 LCEL 对象链也自动支持这些调用成为可能。

2、为什么需要统一调用方式？

传统问题

假设没有统一协议：

提示词渲染用 .format()
模型调用用 .generate()
解析器解析用 .parse()
工具调用用 .run()

代码会变成：

复制代码

prompt_text = prompt.format(topic='猫')  # 方法1
model_out = model.generate(prompt_text)  # 方法2
result = parser.parse(model_out)    # 方法3

痛点: 每个组件调用方式不同，组合时需要手动适配。

3、LCEL解决方案

通过 Runnable 协议统一：

复制代码

 # (分步调用)
 prompt_text = prompt.invoke({"topic": "猫"})  # 方法1
 model_out = model.invoke(prompt_text)  # 方法2
 result = parser.invoke(model_out)    # 方法3
 # (LCEL 管道式)
 chain = prompt | model | parser  # 用管道符组合
 result = chain.invoke({"topic": "猫"})  # 所有组件统一用invoke

一致性：无论组件的功能多复杂（模型/提示词/工具），调用方式完全相同
组合性：管道操作符 | 背后自动处理类型匹配和中间结果传递

1.4 使用举例

举例1：

情况1：没有使用chain

复制代码

from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
import os
import dotenv
dotenv.load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY1")
os.environ["OPENAI_BASE_URL"] = os.getenv("OPENAI_BASE_URL")
chat_model = ChatOpenAI(
model = "gpt-4o-mini"
)
prompt_template = PromptTemplate.from_template(
template = "给我讲一个关于{topic}话题的简短笑话"
)
parser = StrOutputParser()
prompt_value = prompt_template.invoke({"topic":"冰淇淋"})
result = chat_model.invoke(prompt_value)
out_put = parser.invoke(result)
print(out_put)
print(type(out_put))

复制代码

情况2：使用chain：将提示模板、模型、解析器链接在一起。使用LCEL将不同的组件组合成一个单一的链条

复制代码

from dotenv import load_dotenv
from langchain_core.output_parsers import StrOutputParser
load_dotenv()
chat_model = ChatOpenAI(model="gpt-4o-mini")
prompt_template = PromptTemplate.from_template(
template = "给我讲一个关于{topic}话题的简短笑话"
)
parser = StrOutputParser()
# 构建链式调用（LCEL语法）
chain = prompt_template | chat_model | parser
out_put = chain.invoke({"topic": "ice cream"})
print(out_put)
print(type(out_put))

二、传统Chain的使用

2.1 基础链：LLMChain

2.1.1 使用说明

LCEL之前，最基础也最常见的链类型是LLMChain。

这个链至少包括一个提示词模板（PromptTemplate），一个语言模型（LLM 或聊天模型）。

注意：LLMChain was deprecated in LangChain 0.1.17 and will be removed in 1.0. Use prompt | llm instead.

特点：

用于单次问答，输入一个 Prompt，输出 LLM 的响应。
适合无上下文的简单任务（如翻译、摘要、分类等）。
无记忆：无法自动维护聊天历史

2.1.2 主要步骤

1、配置任务链：使用LLMChain类将任务与提示词结合，形成完整的任务链。

chain = LLMChain(llm = llm, prompt = prompt_template)

2、执行任务链：使用invoke()等方法执行任务链，并获取生成结果。可以根据需要对输出进行处理和展示。

复制代码

result = chain.invoke(...)
print(result)

2.1.3 参数说明

参数名	类型	默认值	必填	说明
llm	Union[Runnable[LanguageModelInput, str], Runnable[LanguageModelInput, BaseMessage]]	-	是	要调用的语言模型
prompt	BasePromptTemplate	-	是	要使用的提示对象
verbose	bool	False	否	是否以详细模式运行。在详细模式下，一些中间日志将被打印到控制台。默认使用全局详细设置，可通过langchain.globals.get_verbose()访问
callback_manager	Optional[BaseCallbackManager]	None	否	【已弃用】请改用callbacks。
callbacks	Callbacks	None	否	可选的回调处理器列表或回调管理器。在调用链生命周期中的不同阶段被调用，从on_chain_start开始，到on_chain_end或on_chain_error结束。自定义语句以选择调用额外的回调方法。详见回调文档
llm_kwargs	dict	-	否	语言模型的关键字参数字典
memory	Optional[BaseMemory]	None	否	可选的记忆对象。默认为None，记忆是一个在每个链的开端和结束时被调用的类。开始时，记忆加载变量并在链中传递。结束时，它保存在任何返回的变量。有许多不同类型的内存，请查看内存文档获取完整目录
metadata	Optional[Dict[str, Any]]	None	否	与链相关联的可选元数据。默认为None。这些元数据将与调用此链的每次调用相关联，并作为参数传递给callbacks中定义的处理程序。您可以使用这些来识别链的特定实例及其用法
output_parser	BaseLLMOutputParser	-	否	要使用的输出解析器。默认为StrOutputParser
return_final_only	bool	True	否	是否只返回最终解析结果。默认为True。如果为False，将返回关于生成的额外信息。
tags	Optional[List[str]]	None	否	与链相关联的可选标签列表。默认为None。这些标签将与调用此链的每次调用相关联，并作为参数传递给callbacks中定义的处理程序。您可以使用这些来识别链的特定实例及其用法

举例：

复制代码

from langchain.chains.llm import LLMChain
from langchain_core.prompts import PromptTemplate
import os
import dotenv
from langchain_openai import ChatOpenAI
dotenv.load_dotenv()
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY1")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
# 1、创建大模型实例
chat_model = ChatOpenAI(model="gpt-4o-mini")
# 2、原始字符串模板
template = "桌上有{number}个苹果，四个桃子和 3 本书，一共有几个水果?"
prompt = PromptTemplate.from_template(template)
# 3、创建LLMChain
llm_chain = LLMChain(
llm=chat_model,
prompt=prompt
)
# 4、调用LLMChain，返回结果
result = llm_chain.invoke({"number": 2})
print(result)

举例2：verbose参数，使用使用ChatPromptTemplate。

复制代码

# 1.导入相关包
from langchain.chains.llm import LLMChain
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
# 2.定义提示词模版对象
chat_template = ChatPromptTemplate.from_messages(
[
("system","你是一位{area}领域具备丰富经验的高端技术人才"),
("human", "给我讲一个 {adjective} 笑话"),
]
)
# 3.定义模型
llm = ChatOpenAI(model="gpt-4o-mini")
# 4.定义LLMChain
llm_chain = LLMChain(llm=llm, prompt=chat_template, verbose=True)
# 5.调用LLMChain
response = llm_chain.invoke({"area":"互联网","adjective":"上班的"})
print(response)

2.2 顺序链之 SimpleSequentialChain

顺序链（SequentialChain）允许将多个链顺序连接起来，每个Chain的输出作为下一个Chain的输入，形成特定场景的流水线（Pipeline）。

顺序链有两种类型：

单个输入/输出：对应着SimpleSequentialChain
多个输入/输出：对应着：SequentialChain

2.2.1 说明

SimpleSequentialChain：最简单的顺序链，多个链串联执行，每个步骤都有单一的输入和输出，一个步骤的输出就是下一个步骤的输入，无需手动映射。

2.2.2 使用举例
举例1：

复制代码

from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import LLMChain
chainA_template = ChatPromptTemplate.from_messages(
[
("system", "你是一位精通各领域知识的知名教授"),
("human", "请你尽可能详细的解释一下：{knowledge}"),
]
)
chainA_chains = LLMChain(llm=llm,
prompt=chainA_template,
verbose=True
)
chainA_chains.invoke({"knowledge":"什么是LangChain？"})

继续：

复制代码

from langchain_core.prompts import ChatPromptTemplate
2
3 chainB_template = ChatPromptTemplate.from_messages(
4 [
5 ("system", "你非常善于提取文本中的重要信息，并做出简短的总结"),
6 ("human", "这是针对一个提问的完整的解释说明内容：{description}"),
7 ("human", "请你根据上述说明，尽可能简短的输出重要的结论，请控制在20个字以内"),
8 ]
9 )
10
11
12 chainB_chains = LLMChain(llm=llm,prompt=chainB_template,
verbose=True
)

# 导入SimpleSequentialChain
from langchain.chains import SimpleSequentialChain
# 在chains参数中，按顺序传入LLMChain A 和LLMChain B
full_chain = SimpleSequentialChain(chains=[chainA_chains, chainB_chains], verbose=True)
full_chain.invoke({"input":"什么是langChain？"})

复制代码

class SimpleSequentialChain(Chain):
"""Simple chain where the outputs of one step feed directly into next."""
chains: List[Chain]
strip_outputs: bool = False
input_key: str = "input" #: :meta private:
output_key: str = "output" #: :meta private:

举例2：
创建了两条chain，并且让第一条chain给剧名写大纲，输出该剧名大纲，作为第二条chain的输入，然后生成一个剧本的大纲评论。最后利用SimpleSequentialChain即可将两个chain直接串联起来。

复制代码

# 1.导入相关包
from langchain.chains import LLMChain
from langchain_core.prompts import PromptTemplate
from langchain.chains import SimpleSequentialChain
# 2.创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini")
# 3.定义一个给剧名写大纲的LLMChain
template1 = """你是个剧作家。给定剧本的标题，你的工作就是为这个标题写一个大纲。
Title: {title}
"""
prompt_template1 = PromptTemplate(input_variables=["title"], template=template1)
synopsis_chain = LLMChain(llm=llm, prompt=prompt_template1)
# 4.定义给一个剧本大纲写一篇评论的LLMChain
template2 = """你是《纽约时报》的剧评家。有了剧本的大纲，你的工作就是为剧本写一篇评论
剧情大纲:
{synopsis}
"""
prompt_template2 = PromptTemplate(input_variables=["synopsis"], template=template2)
review_chain = LLMChain(llm=llm, prompt=prompt_template2)
# 5.定义一个完整的链按顺序运行这两条链
#(verbose=True:打印链的执行过程)
overall_chain = SimpleSequentialChain(
chains=[synopsis_chain, review_chain], verbose=True
)
# 6.调用完整链顺序执行这两个链
review = overall_chain.invoke("日落海滩上的悲剧")
# 7.打印结果
print(review)

2.3 顺序链之 SequentialChain

2.3.1 说明

SequentialChain：更通用的顺序链，具体来说：

多变量支持：允许不同子链有独立的输入/输出变量。
灵活映射：需显式定义变量如何从一个链传递到下一个链。即精准地命名输入关键字和输出关键字，来明确链之间的关系。
复杂流程控制：支持分支、条件逻辑（分别通过 input variables 和 output variables 配置输入和输出）。

2.3.2 使用举例

举例1：

复制代码

from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import SequentialChain
from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain
from openai import OpenAI
import os
# 创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini")
schainA_template = ChatPromptTemplate.from_messages(
[
("system", "你是一位精通各领域知识的知名教授"),
("human", "请你先尽可能详细的解释一下：{knowledge}，并且{action}")
]
)
schainA_chains = LLMChain(llm=llm,
prompt=schainA_template,
verbose=True,
output_key="schainA_chains_key"
)
# schainA_chains.invoke({
# "knowledge": "中国的篮球怎么样？",
# "action": "举一个实际的例子"
# }
# )
schainB_template = ChatPromptTemplate.from_messages(
[
("system", "你非常善于提取文本中的重要信息，并做出简短的总结"),
("human", "这是针对一个提问完整的解释说明内容：{schainA_chains_key}"),
("human", "请你根据上述说明，尽可能简短的输出重要的结论，请控制在100个字以内"),
]
)
schainB_chains = LLMChain(llm=llm,
prompt=schainB_template,
verbose=True,
output_key='schainB_chains_key'
)
Seq_chain = SequentialChain(
chains=[schainA_chains, schainB_chains],
input_variables=["knowledge", "action"],
output_variables=["schainA_chains_key","schainB_chains_key"],
verbose=True)
response = Seq_chain.invoke({
"knowledge":"中国足球为什么踢得烂",
"action":"举一个实际的例子"
}
)
print(response)

还可以单独输出：

复制代码

print(response["schainA_chains_key"])
print(response["schainB_chains_key"])

举例2：

复制代码

# 1.导入相关包
from langchain.chains.llm import LLMChain
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain.chains import SequentialChain

# 创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini")
# 2.定义任务链一
#chain 1 任务：翻译成中文
first_prompt = PromptTemplate.from_template("把下面内容翻译成中文:\n\n{content}")
chain_one = LLMChain(
llm=llm,
prompt=first_prompt,
verbose=True,
output_key="Chinese_Review",
)
# 3.定义任务链二
#chain 2 任务：对翻译后的中文进行总结摘要 input_key是上一个chain的output_key
second_prompt = PromptTemplate.from_template("用一句话总结下面内
容:\n\n{Chinese_Review}")
chain_two = LLMChain(
llm=llm,
prompt=second_prompt,
verbose=True,
output_key="Chinese_Summary",
)
# 4.定义任务链三
# chain 3 任务：识别语言
third_prompt = PromptTemplate.from_template("下面内容是什么语言:\n\n{Chinese_Summary}")
chain_three = LLMChain(
llm=llm,
prompt=third_prompt,
verbose=True,
output_key="Language",
)
# 5.定义任务链四
#chain 4 任务:针对摘要使用指定语言进行评论 input_key是上一个chain的output_key
fourth_prompt = PromptTemplate.from_template("请使用指定的语言对以下内容进行评论:\n\n内
容:{Chinese_Summary}\n\n语言:{Language}")
chain_four = LLMChain(
llm=llm,
prompt=fourth_prompt,
verbose=True,
output_key="Comment",
)
# 6.总链
#overall 任务：翻译成中文->对翻译后的中文进行总结摘要->智能识别语言->针对摘要使用指定语言
进行评论
overall_chain = SequentialChain(
chains=[chain_one, chain_two, chain_three, chain_four],
verbose=True,
input_variables=["content"],
output_variables=["Chinese_Review", "Chinese_Summary", "Language", "Comment"],
)
#读取文件
# read file
content = "Recently, we welcomed several new team members who have made significant
contributions to their respective departments. I would like to recognize Jane Smith (SSN: 049-
45-5928) for her outstanding performance in customer service. Jane has consistently received
positive feedback from our clients. Furthermore, please remember that the open enrollment
period for our employee benefits program is fast approaching. Should you have any questions
or require assistance, please contact our HR representative, Michael Johnson (phone: 418-492-
3850, email: michael.johnson@example.com)."
overall_chain.invoke(content)

2.3.3 顺序链使用场景

场景 : 多数据源处理

举例：根据产品名

查询数据库获取价格
生成促销文案

使用 SimpleSequentialChain（会失败）

复制代码

# 假设链1返回 {"price": 100}, 链2需要 {product: "xx", price: xx}
# 结构不匹配，无法自动传递

使用 SequentialChain（正确方式）

复制代码

from langchain.chains import SequentialChain
# 创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini")
# 第1环节：
query_chain = LLMChain(
llm=llm,
prompt=PromptTemplate.from_template(template="请模拟查询{product}的市场价格，直接返
回一个合理的价格数字（如6999），不要包含任何其他文字或代码"),
verbose=True,
output_key="price"
)
# 第2环节：
promo_chain = LLMChain(
llm=llm,
prompt=PromptTemplate.from_template(template="为{product}（售价：{price}元）创作一篇
50字以内的促销文案，要求突出产品卖点"),
verbose=True,
output_key="promo_text"
)
sequential_chain = SequentialChain(
chains=[query_chain, promo_chain],
verbose=True,
input_variables=["product"], # 初始输入
output_variables=["price", "promo_text"], # 输出价格和文案
)
result = sequential_chain.invoke({"product": "iPhone16"})
print(result)
# print(result["price"])
# print(result["promo_text"])

2.4 数学链 LLMMathChain (了解)

LLMMathChain将用户问题转换为数学问题，然后将数学问题转换为可以使用 Python 的 numexpr 库执行的表达式。使用运行此代码的输出来回答问题。

使用LLMMathChain，需要安装numexpr库

复制代码

pip install numexpr

from langchain.chains import LLMMathChain
import os
import dotenv
from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain
dotenv.load_dotenv()
os.environ['OPENAI_API_KEY'] = os.getenv("OPENAI_API_KEY1")
os.environ['OPENAI_BASE_URL'] = os.getenv("OPENAI_BASE_URL")
# 创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini")
# 创建链
llm_math = LLMMathChain.from_llm(llm)
# 执行链
res = llm_math.invoke("10 ** 3 + 100的结果是多少？")
print(res)

2.5 路由链 RouterChain (了解)

路由链（RouterChain）用于创建可以动态选择下一条链的链。可以自动分析用户的需求，然后引导到最适合的链中执行，获取响应并返回最终结果。

比如，我们目前有三类chain，分别对应三种学科的问题解答。我们的输入内容也是与这三种学科对应，但是随机的，比如第一次输入数学问题、第二次有可能是历史问题...这时候期待的效果是：可以根据输入的内容是什么，自动将其应用到对应的子链中。RouterChain就为我们提供了这样一种能力。

它会首先决定将要传递下去的子链，然后把输入传递给那个链。并且在设置的时候需要注意为其设置默认chain，以兼容输入内容不满足任意一项时的情况。

2.6 文档链 StuffDocumentsChain(了解)

StuffDocumentsChain 是一种文档处理链，它的核心作用是将多个文档内容合并（"填充"或"塞入"）到单个提示（prompt）中，然后传递给语言模型（LLM）进行处理。

使用场景：由于所有文档被完整拼接，LLM 能同时看到全部内容，所以适合需要全局理解的任务，如总结、问答、对比分析等。但注意，仅适合处理少量/中等长度文档的场景。

举例：

复制代码

#1.导入相关包
from langchain.chains import StuffDocumentsChain
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.document_loaders import PyPDFLoader
from langchain.chat_models import ChatOpenAI
# 2.加载PDF
loader = PyPDFLoader("./asset/example/loader.pdf")
#3.定义提示词
prompt_template = """对以下文字做简洁的总结:
{text}
简洁的总结:"""
# 4.定义提示词模版
prompt = PromptTemplate.from_template(prompt_template)
# 5.定义模型
llm = ChatOpenAI(model="gpt-4o-mini")
# 6.定义LLM链
llm_chain = LLMChain(llm=llm, prompt=prompt )
# 7.定义文档链
stuff_chain = StuffDocumentsChain(
llm_chain=llm_chain,
document_variable_name="text", # 在 prompt 模板中，文档内容应该用哪个变量名表示
) #document_variable_name="text" 告诉 StuffDocumentsChain 把合并后的文档内容填充到 {text}
变量中"。
# 8.加载pdf文档
docs = loader.load()
# 9.执行链
res=stuff_chain.invoke(docs)
#print(res)
print(res["output_text"])

3、基于LCEL构建的Chains的类型

前面讲解的都是Legacy Chains，下面看最新的基于LCEL构建的Chains。

复制代码

create_sql_query_chain
create_stuff_documents_chain
create_openai_fn_runnable
create_structured_output_runnable
load_query_constructor_runnable
create_history_aware_retriever
create_retrieval_chain

3.1 create_sql_query_chain
create_sql_query_chain，SQL查询链，是创建生成SQL查询的链，用于将 自然语言转换成 数据库的
SQL查询
举例1：
这里使用MySQL数据库，需要安装pymysql

复制代码

pip install pymysq

from langchain_community.utilities import SQLDatabase
# 连接 MySQL 数据库
db_user = "root"
db_password = "abc123" #根据自己的密码填写
db_host = "127.0.0.1"
db_port = "3306"
db_name = "atguigudb"
# mysql+pymysql://用户名:密码@ip地址:端口号/数据库名
db = SQLDatabase.from_uri(f"mysql+pymysql://{db_user}:{db_password}@{db_host}:
{db_port}/{db_name}")
print("哪种数据库：", db.dialect)
print("获取数据表：", db.get_usable_table_names())
# 执行查询
res = db.run("SELECT count(*) FROM employees;")
print("查询结果：", res)

进而：

复制代码

from langchain_openai import ChatOpenAI
from langchain.chains.sql_database.query import create_sql_query_chain
# 创建大模型实例
llm = ChatOpenAI(model="gpt-4o-mini")
# 调用Chain
chain = create_sql_query_chain(llm=llm, db=db)
# response = chain.invoke({"question": "数据表employees中哪个员工工资高？"})
# print(response)
# response = chain.invoke({"question": "查询departments表中一共有多少个部门？"})
# print(response)
# response = chain.invoke({"question": "查询last_name叫King的基本情况"})
# print(response)
# # 限制使用的表
response = chain.invoke({"question": "一共有多少个员工？", "table_names_to_use":
["employees"]})
print(response)

3.2 create_stuff_documents_chain(了解)

create_stuff_documents_chain用于将多个文档内容合并成单个长文本的链式工具，并一次性传递给LLM处理（而不是分多次处理）。

适合场景：

• 保持上下文完整，适合需要全局理解所有文档内容的任务（如总结、问答）

• 适合处理少量/中等长度文档的场景。

举例1：多文档摘要

复制代码

from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.documents import Document
# 定义提示词模板
prompt = PromptTemplate.from_template("""
如下文档{docs}中说，香蕉是什么颜色的？
""")
# 创建链
llm = ChatOpenAI(model="gpt-4o-mini")
chain = create_stuff_documents_chain(llm, prompt, document_variable_name="docs")
# 文档输入
docs = [
Document(page_content="苹果，学名Malus pumila Mill.，别称西洋苹果、柰，属于蔷薇科苹果属的植
物。苹果是全球最广泛种植和销售的水果之一，具有悠久的栽培历史和广泛的分布范围。苹果的原始种
群主要起源于中亚的天山山脉附近，尤其是现代哈萨克斯坦的阿拉木图地区，提供了所有现代苹果品种
的基因库。苹果通过早期的贸易路线，如丝绸之路，从中亚向外扩散到全球各地。"
),
Document(
page_content="香蕉是白色的水果，主要产自热带地区。"
),
Document(
page_content="蓝莓是蓝色的浆果，含有抗氧化物质。"
)
]
# 执行摘要
chain.invoke({"docs": docs})