🌟 LangChain 30 天保姆级教程 · Day 4｜用 LLMChain 把 Prompt 和 LLM 打包成可复用组件！

系列目标 ：30 天从 LangChain 入门到企业级部署
今日任务 ：理解 Chain 的作用 → 掌握 LLMChain 基础用法 → 构建可复用的 AI 功能模块！

🔗 一、什么是 Chain？为什么需要它？

在 Day 2--3 中，我们这样调用模型：

ini 复制代码

prompt = ChatPromptTemplate.from_template("...")
response = llm.invoke(prompt.format(...))

这虽然能跑通，但存在几个问题：

重复代码多：每次都要拼 prompt + 调用 llm
难以复用：换个任务就要重写一遍
不易测试：逻辑散落在各处

Chain 就是 LangChain 的"函数封装" ------ 它把 输入 → Prompt → LLM → 输出 整个流程打包成一个可调用对象，像函数一样使用！

✅ 今天主角：LLMChain（LangChain 最经典的 Chain 类型）

🧱 二、LLMChain 基础用法（三步走）

步骤 1：准备 LLM（本地或云端）

ini 复制代码

from langchain_ollama import ChatOllama

llm = ChatOllama(model="qwen:7b", temperature=0)

步骤 2：定义 PromptTemplate

ini 复制代码

from langchain_core.prompts import PromptTemplate

template = """
你是一个翻译助手，请将以下英文句子翻译成中文：

英文：{text}
中文：
"""

prompt = PromptTemplate.from_template(template)

💡 注意：这里用 PromptTemplate（非 Chat 版），因为 LLMChain 传统上配合普通 LLM 使用。

如果你用的是 ChatModel（如 ChatOllama），推荐直接用 LCEL 表达式（见下文"现代写法"）。

步骤 3：创建并调用 LLMChain

ini 复制代码

from langchain.chains import LLMChain

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

result = chain.invoke({"text": "Hello, how are you?"})
print(result["text"])  # 输出：你好，你怎么样？

⚠️ 注意：LLMChain 返回的是字典，键为 "text"（由 prompt 决定）。

🆕 三、更推荐的现代写法：LCEL（LangChain Expression Language）

从 LangChain 0.1 开始，官方大力推荐 LCEL 链式表达式（更简洁、更强大）：

ini 复制代码

# 不需要 LLMChain！直接用管道符 |
chain = prompt | llm

response = chain.invoke({"text": "Artificial Intelligence is amazing!"})
print(response.content)

✅ 优势：

代码更短
支持流式、异步、批处理
更容易组合多个步骤（如 prompt | llm | parser）

📌 结论：新项目建议优先使用 LCEL（| 运算符），但理解 LLMChain 有助于阅读旧代码。

🛠️ 四、实战：构建一个"产品描述生成器"

用户输入产品关键词，AI 生成一段营销文案。

ini 复制代码

# day4_llmchain_demo.py
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate

# 1. 初始化模型
llm = ChatOllama(model="qwen:7b", temperature=0.7)

# 2. 定义 ChatPromptTemplate（更自然）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个电商文案专家，擅长用吸引人的方式描述产品。"),
    ("human", "请为以下产品生成一段 50 字以内的营销文案：{product}")
])

# 3. 构建 Chain（LCEL 方式）
chain = prompt | llm

# 4. 调用
result = chain.invoke({"product": "无线降噪耳机"})
print(result.content)

▶️ 输出示例：

沉浸静谧世界！这款无线降噪耳机，高清音质+持久续航，通勤必备！

🔁 五、如何让 Chain 支持多输入？

比如同时传入 product 和 tone（语气）：

makefile 复制代码

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个文案专家。"),
    ("human", "用{tone}的语气，为{product}写一段营销文案。")
])

chain = prompt | llm
result = chain.invoke({
    "product": "智能手表",
    "tone": "幽默风趣"
})
print(result.content)

✅ 只要在模板中使用 {xxx}，invoke() 传入同名键即可！

🔄 六、兼容 OpenAI？只需改一行！

javascript 复制代码

# from langchain_openai import ChatOpenAI
# llm = ChatOpenAI(model="gpt-3.5-turbo")

from langchain_ollama import ChatOllama
llm = ChatOllama(model="qwen:7b")

🎯 同一套 Chain 逻辑，无缝切换模型后端！

⚠️ 七、常见问题 & 注意事项

问题	解决方案
`LLMChain` 报错 `not a valid LLM`	确保传入的是 `BaseLLM` 或 `BaseChatModel` 实例
输出包含多余解释	在 system prompt 中强调"只返回文案，不要其他内容"
中文输出乱码	使用 Qwen、GLM 等中文优化模型
想要 JSON 输出？	结合 `PydanticOutputParser`（Day 6 讲）

💡 最佳实践：

新项目用 prompt | llm（LCEL）

旧项目维护时理解 LLMChain

所有 Chain 都应单元测试！

📦 八、配套代码结构

bash 复制代码

langchain-30-days/
└── day4/
    ├── basic_llmchain.py      # 传统 LLMChain 写法
    ├── modern_lcel.py         # 推荐的 LCEL 写法（主推）
    └── product_copywriter.py  # 产品文案生成器实战

📝 九、今日小结

✅ 理解了 Chain 的作用：封装 AI 工作流
✅ 学会了 LLMChain 基础用法（兼容旧代码）
✅ 掌握了更现代的 LCEL 链式表达式 （prompt | llm）
✅ 实现了可复用的"产品文案生成器"
✅ 支持多变量输入，模型切换无痛