【LangChain学习笔记】链式调用

定义

LangChain链式调用核心是利用 | 运算符，串联 PromptTemplate、ChatOpenAI、JsonOutputParser 等功能组件，形成有序执行流水线，生成全新可调用对象。通过统一调用完成端到端任务，无需手动逐组件传递参数，实现流程自动化。

示例

python 复制代码

from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

# 模型名称，修正空格避免识别错误
model_name = "qwen-plus" 
# 模型基础地址，修正空格确保链接有效性
base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1" 
# 替换为个人有效API Key，原笔记中的敏感信息已替换为占位符并提示替换
api_key = "[API Key]" 

# 大模型初始化（参数配置见专项笔记）
llm = ChatOpenAI(
    model_name=model_name,
    base_url=base_url,
    api_key=api_key
)

# 提示模板初始化（细节见专项笔记）
prompt_template = PromptTemplate.from_template(
    """问题内容：计算{num1}和{num2}的和。输出格式：{format_instructions}"""
)

# 输出解析器相关（细节见专项笔记）
class Result(BaseModel):
    # 两个数的和（整数类型）
    sum: int 
    # 计算过程描述（字符串类型）
    description: str 

    _ = (
        sum.set_config(description="两个数的和"),
        description.set_config(description="计算描述")
    )

# 初始化JSON输出解析器，关联Result模型
json_output_parser = JsonOutputParser(pydantic_object=Result)
# 预填充格式说明，避免重复传参
prompt_template = prompt_template.partial(
    format_instructions=json_output_parser.get_format_instructions()
)

# 构建链式调用：提示模板→大模型→输出解析器
chain = prompt_template | llm | json_output_parser

# invoke方法：同步调用，直接获取完整结果（适用于需完整结果场景）
result = chain.invoke(input={"num1": 10, "num2": 20})
# 打印最终结构化结果
print("invoke方法结果：", result)

执行现象

结合示例可见，LangChain链式调用的核心现象是：通过 | 运算符可直接关联多个LangChain核心对象（示例中为 prompt_template、llm、json_output_parser），快速生成具备自动化流水线能力的全新链式对象（示例中的 chain）。

该链式对象仅需调用 invoke 方法并传入初始参数（示例中为 num1 = 10、num2 = 20），无需手动干预中间流程，内部会按组件串联顺序自动触发对应方法，实现数据接力处理并返回最终结果。

补充说明：除示例中使用的 invoke 同步调用外，链式对象还支持 stream 流式调用（示例未涉及），可逐块获取结果，适合需要实时展示响应的场景。

构建逻辑

示例的构建逻辑遵循「数据流转方向」：按 "提示模板→大模型→输出解析器" 的顺序，用 | 串联组件。核心规则是前一组件的输出必须能作为后一组件的输入，示例中：

提示模板（prompt_template）：接收初始参数，生成包含计算需求和格式要求的提示词。
大模型（llm）：接收提示词，生成符合要求的响应内容。
输出解析器（json_output_parser）：接收响应内容，转换为结构化数据。

python 复制代码

# 示例构建核心代码（按数据流转顺序串联）
chain = prompt_template | llm | json_output_parser

执行流程

示例中采用 invoke 同步执行方式，流程简洁且自动化，具体步骤：

调用链式对象的 invoke 方法，传入初始参数（示例中为 {"num1": 10, "num2": 20}）。
内部自动执行：初始参数先传入提示模板生成提示词，提示词传入大模型生成响应，响应传入解析器转换为结构化数据。
执行完成后，直接返回最终的结构化结果，通过 print 语句即可查看。

python 复制代码

# 示例执行核心代码（invoke同步调用）
result = chain.invoke(input={"num1": 10, "num2": 20})
print("invoke方法结果：", result)

补充说明（流式调用）：若需使用流式调用，可将 invoke 替换为 stream，示例代码如下（非原示例内容，仅作扩展）：

python 复制代码

# 流式调用示例（扩展）
print("stream方法结果：")
for chunk in chain.stream(input={"num1": 10, "num2": 20}):
    # 过滤空片段，确保输出整洁
    if chunk:
        print(chunk)

原理

串联与执行逻辑 ：| 运算符将实现 Runnable 接口的组件串联为流水线。调用 invoke 或 stream 时，初始参数仅需传入第一个组件，后续组件通过内部自动接力完成执行，最终返回对应结果。
串联顺序规则：必须遵循「数据输入→处理组件→输出组件」的逻辑（如示例中「提示模板→大模型→解析器」），顺序错误会导致数据格式不匹配，进而中断执行流程。
调用方法要点 ：invoke 和 stream 均只需传入第一个组件所需的初始参数，中间参数由链式内部自动传递；前者适合需要完整结果的场景，后者适合需实时展示结果的场景。
组件兼容性要求 ：可通过 | 串联的组件需实现 LangChain 的 Runnable 接口，核心组件默认已实现，可直接串联。

常见问题

组件不兼容报错 ：若自定义组件无法串联，或调用 invoke/stream 时报错，需优先检查组件是否实现 Runnable 接口及对应的调用方法。
执行流程中断：多数因组件顺序错误，或前序组件输出格式与后序组件输入要求不匹配，需核对串联顺序并校验组件间数据格式。
参数传递失败：检查传入的初始参数是否符合第一个组件的格式要求，避免遗漏必填参数或参数类型错误。