Langchain入门到精通0x08：预置链

预制链

LangChain已经事先做好了很多LCEL链，我们在之前的基于Web网页的RAG实战中已经接触过三种链：

create_stuff_documents_chain
create_retrieval_chain
load_summarize_chain

更多内置LCEL链可见 LangChain官方查询。

但是注意：在"Deprecated classes"和"Deprecated functions"中的属于被声明废弃，不建议使用。🌰：MapReduceDocumentsChain

今天，我们就简单看看几个常用的预置链及其使用。

create_stuff_documents_chain

专注于处理和管理文档上下文，是构建RAG（检索增强生成）系统的基石。它将所有检索到的文档内容拼接成一个长字符串，作为上下文注入Prompt。优点是简单、只需一次LLM调用；缺点是受限于模型的上下文窗口长度。

ini 复制代码

chain = create_stuff_documents_chain(client, prompt)

res = chain.invoke({"input": "会议具体说了哪些内容?", "context": documents})
print(res)

官方API

create_retrieval_chain

是RAG（检索增强生成）流程的完整封装链，它标准化了检索增强生成的工作流程：

输入处理：接收用户问题
文档检索：调用检索器（通常是向量数据库）获取相关文档
上下文装配：将检索到的文档与原始问题组合
答案生成：将组合后的上下文发送给LLM生成答案
输出标准化：返回包含答案、原始问题和检索上下文的统一格式

通常与create_stuff_documents_chain结合使用。

官方API

python 复制代码

# 6. 创建文档处理链
print("步骤4: 创建文档处理链...")
document_chain = create_stuff_documents_chain(llm, prompt)

# 7. 创建完整的检索链
print("步骤5: 创建检索链...")
rag_chain = create_retrieval_chain(retriever, document_chain)

# 测试
for i, question in enumerate(test_questions, 1):
    print(f"\n问题 {i}: {question}")
    print("-" * 30)

    # 执行RAG流程
    result = rag_chain.invoke({"input": question})

    print(f"答案: {result['answer']}")
    print(f"\n检索到的文档数量: {len(result['context'])}")

load_summarize_chain

用于文档摘要的预构建解决方案，能够自动处理超出模型上下文长度的长文档。核心价值在于自动处理长文档分块、摘要策略选择和迭代优化，避免用户手动实现复杂的摘要流水线。

官方API

核心

策略选择指南：
- stuff：文档总长度小于模型上下文窗口的80%时使用，最简单快速
- map_reduce：处理超长文档（如书籍、长报告），支持并行处理
- refine：需要最高质量摘要的场景，可生成最连贯的结果
- map_rerank：为每个分块评分并选择最佳摘要，适用于多文档汇总
性能优化建议：
- 对于map_reduce策略，可设置max_concurrency参数控制并行度
- 使用return_intermediate_steps=True调试复杂文档的摘要过程
- 长文档摘要时考虑使用GPT-4等更大上下文模型
生产环境注意事项：
- 添加超时和重试机制，特别是处理长文档时
- 监控token使用量，避免意外的高成本
- 缓存常见文档的摘要结果，提高响应速度
- 考虑实现增量摘要，只处理文档变化部分

代码

准备工作

python 复制代码

# 1. 加载文档（这里以文本文件为例）
loader = TextLoader("./data/deepseek百度百科.txt")  # 请替换为你的文档路径
documents = loader.load()

# 2. 初始化大语言模型
llm = get_ali_model_client()

摘要代码

ini 复制代码

# 3. 定义明确要求中文摘要的提示词模板

# 注意：{text} 是占位符，链会自动将文档内容填充到这里

prompt\_template = """请用中文，简洁地总结以下文本的主要内容：

{text}

请确保摘要完全使用中文，并涵盖核心要点。
中文摘要："""
prompt = PromptTemplate(template=prompt\_template, input\_variables=\["text"])

# 3. 创建摘要链 - 最简单的调用方式

#  **`stuff`**：文档总长度小于模型上下文窗口的80%时使用，最简单快速

# **`map_reduce`**：处理超长文档（如书籍、长报告），支持并行处理

# **`refine`**：需要最高质量摘要的场景，可生成最连贯的结果

# **`map_rerank`**：为每个分块评分并选择最佳摘要，适用于多文档汇总

chain = load\_summarize\_chain(
llm=llm,
chain\_type="stuff", # 使用stuff策略
prompt=prompt # 关键：覆盖默认prompt
)

# 4. 执行摘要

summary = chain.invoke(documents)

注意事项

create_history_aware_retriever

是一个对话式RAG（Conversational RAG）的核心组件------查询重写器，其工作原理如下：

问题诊断：分析当前用户问题，判断是否需要对话历史来完整理解意图
上下文感知重写：当需要时，将对话历史与当前问题结合，生成一个独立、完整的搜索查询
智能检索：使用重写后的查询进行向量搜索，而非原始问题

官方API

准备工作

ini 复制代码

# 2. 创建向量存储和基础检索器
print("创建向量数据库和基础检索器...")
embeddings = get_ali_embeddings
vectorstore = Chroma.from_documents(documents, embeddings)
base_retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

LLM初始化

ini 复制代码

# 3. 初始化LLM
llm = get_ali_model_client()

# 4. 创建历史感知检索器
print("\n创建历史感知检索器...")
contextualize_q_system_prompt = """
你是一个查询重写助手。基于对话历史和最新的用户问题，创建一个独立的问题。
这个独立的问题应该包含理解用户意图所需的所有上下文。

如果对话历史是相关的，将其整合到新问题中。
如果对话历史不相关或为空，直接返回原始问题。

对话历史：
{chat_history}

用户问题：{input}

独立的问题：
"""
contextualize_q_prompt = ChatPromptTemplate.from_messages([
    ("system", contextualize_q_system_prompt),
    MessagesPlaceholder("chat_history"),
    ("human", "{input}"),
])

history_aware_retriever

ini 复制代码

history_aware_retriever = create_history_aware_retriever(
    llm=llm,
    retriever=base_retriever,  # 基础检索器
    prompt=contextualize_q_prompt
)

# 5. 创建对话记忆
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True,
    output_key="answer"
)

链整合

ini 复制代码

question_answer_chain = create_stuff_documents_chain(llm, qa_prompt)

# 7. 创建完整的对话式RAG链
rag_chain = create_retrieval_chain(history_aware_retriever, question_answer_chain)

create_sql_query_chain

用于将自然语言问题转换为SQL查询并获取结果。它把大语言模型的理解能力、数据库的模式信息以及SQL的执行能力串联了起来，是构建"用自然语言对话数据库"应用的核心工具。

官方API

工作流程

输入与上下文 ：接收用户自然语言问题。同时，它会自动获取你提供的数据库的模式信息（如表名、列名、列类型），作为关键上下文喂给模型。
模型推理：将一个组装好的提示词（包含系统指令、数据库模式、用户问题）发送给大语言模型（如GPT-4, Claude, 或本地模型）。模型的任务是根据这些信息，生成一句语法正确的SQL。
输出解析：对模型生成的文本进行清洗和校验，提取出纯SQL语句。
查询执行：使用你配置的数据库连接，执行上一步得到的SQL，并将结果返回。

代码

准备工作

python 复制代码

# 1. 连接到数据库 (这里创建一个内存SQLite数据库并添加样例数据)
from sqlalchemy import create_engine, text
import pandas as pd

# 创建内存数据库引擎
engine = create_engine("sqlite:///../test_sql.db")

# 创建样例数据
with engine.connect() as conn:
    # 使用此连接执行建表操作
    df = pd.DataFrame({
        'employee_id': [1, 2, 3],
        'name': ['Alice', 'Bob', 'Charlie'],
        'department': ['Sales', 'Engineering', 'Sales'],
        'salary': [70000, 85000, 72000]
    })

    # 将DataFrame写入数据库
    df.to_sql('employees', conn, index=False, if_exists='replace')
    # 对于SQLite，最好显式提交
    conn.commit()

    # 使用同一个连接对象来创建LangChain的SQLDatabase对象
    # db = SQLDatabase(engine=engine, engine_connection=conn)
    db = SQLDatabase(engine=engine)

查询链

ini 复制代码

# 3. 初始化大语言模型 (此处以OpenAI为例，你需要设置自己的API_KEY)
# 实践中，完全可以用DeepSeek-V2等高性能开源模型替代
llm = get_lc_model_client()

# 4. 创建查询链！
chain = create_sql_query_chain(llm, db)

# 5. 使用链进行查询
response = chain.invoke({"question": "薪资最高的员工是谁？"})
print("生成的SQL语句:", response)
# 输出示例: SELECT name FROM employees ORDER BY salary DESC LIMIT 1

结果

APIChain

APIChain是 LangChain 框架中的一个高级抽象，它将大语言模型的自然语言理解能力与外部API的调用能力无缝衔接，让AI能够像使用自己的"记忆"一样，实时查询和使用外部服务与数据。

官方API

核心流程

理解意图：解析用户的自然语言问题，判断是否需要调用API以及调用哪个API。
结构化请求：将模糊的需求转化为具体的API调用参数（URL、查询参数、请求体等）。
处理响应：解析API返回的原始数据（通常是JSON/XML），提取关键信息。
整合回答：将API返回的信息组织成自然流畅的最终答案。

代码

ini 复制代码

# 3. 创建APIChain
chain = APIChain.from_llm_and_api_docs(
    llm=llm,
    api_docs=api_docs,
    limit_to_domains=["https://api.open-meteo.com"],  # 只允许调用这个域名
    verbose=True  # 显示详细过程
)

# 4. 使用链进行查询
question = "查询北京现在的温度"
result = chain.run(question)
print(f"问题: {question}")
print(f"回答: {result}")

源码

github

复制代码