【LangChain系列八】LangChain 基础使用：链式编程快速上手

前面几篇把 LangChain 的模型、提示词、输出解析器都讲了，这篇把这些零件组装起来——聊聊 LangChain 的链式编程。

链式编程是 LangChain 最核心的设计思想。把模型、提示词、解析器像管道一样串起来，数据流过去，结果就出来了。

1. 先搞清楚整体流程

用 LangChain 调用大模型，标准流程就五步：

1. 定义大模型
2. 定义消息（提示词）
3. 调用大模型
4. 定义输出解析器
5. 链式执行

看起来步骤多，但其实写起来很短。下面一步步来。

2. 定义模型和消息

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage

# 定义模型
model = ChatOpenAI(
    model="gpt-4",
    temperature=0
)

# 定义消息
messages = [
    SystemMessage(content="你是一个翻译助手，把中文翻译成英文"),
    HumanMessage(content="今天天气真不错")
]

SystemMessage 是系统指令，告诉模型扮演什么角色。HumanMessage 是用户输入。这两个是最基本的消息类型。

调用模型很简单：

result = model.invoke(messages)
print(result.content)
# 输出类似: "The weather is really nice today."

3. 输出解析器：StrOutputParser

直接调用模型返回的是一个 AIMessage 对象，要拿到纯文本字符串，还得 .content。每次这么写挺烦的。

StrOutputParser 就是干这个的——把模型输出直接转成字符串：

from langchain_core.output_parsers import StrOutputParser

parser = StrOutputParser()

# 单独用
result = model.invoke(messages)
text = parser.invoke(result)
print(text)
# 直接就是字符串，不用再 .content 了

当然，单独用解析器没啥意义。它的价值在于——链式组合。

4. 链式调用：三种写法

这才是 LangChain 的精髓。把模型和解析器串起来，形成一条"链"。

写法一：管道运算符 |（最推荐）

chain = model | parser
result = chain.invoke(messages)
print(result)
# 直接拿到字符串

一个 | 就把模型和解析器串起来了。invoke 之后，数据先经过模型，再经过解析器，最终输出字符串。

这种写法最简洁，也是 LangChain 社区最常用的风格。

写法二：RunnableSequence

from langchain_core.runnables import RunnableSequence

chain = RunnableSequence(model, parser)
result = chain.invoke(messages)

和 model | parser 效果完全一样，只是写法更显式。了解一下就行，实际开发中很少这么写。

写法三：.pipe() 方法

chain = model.pipe(parser)
result = chain.invoke(messages)

又是一种等价写法。如果你更习惯函数式编程的风格，.pipe() 也挺直观。

三种写法选哪种？我个人推荐 |，最简洁，社区认可度最高。后面所有示例都用这种。

5. 把 Prompt 也串进来

实际开发中，你不会手动拼消息列表。而是用 ChatPromptTemplate 定义模板，然后一起串进链里：

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个翻译助手，把{source_lang}翻译成{target_lang}"),
    ("user", "{text}")
])

# 三件套：prompt → model → parser
chain = prompt | model | parser

# 调用
result = chain.invoke({
    "source_lang": "中文",
    "target_lang": "英文",
    "text": "今天天气真不错"
})
print(result)

这就是 LangChain 的标准范式了。prompt 负责格式化输入，model 负责推理，parser 负责提取输出。三个环节各司其职，通过 | 串成一条流水线。

6. 实战：做个简单的问答链

来个稍微实际点的例子——做个能回答问题的链，要求模型用中文回答，并且控制回答长度：

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 模型
model = ChatOpenAI(model="gpt-4", temperature=0.7)

# 提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个知识渊博的技术专家。请用简洁的中文回答问题，不超过200字。"),
    ("user", "{question}")
])

# 解析器
parser = StrOutputParser()

# 组装
chain = prompt | model | parser

# 使用
answer = chain.invoke({"question": "什么是微服务架构？"})
print(answer)

整个调用就一行 chain.invoke(...)，干净利落。

7. 链的复用和组合

链的好处是可以复用。定义一次，到处调用：

questions = [
    "什么是RESTful API？",
    "Python的GIL是什么？",
    "Docker和虚拟机有什么区别？"
]

for q in questions:
    answer = chain.invoke({"question": q})
    print(f"Q: {q}")
    print(f"A: {answer}\n")

而且链是可以嵌套组合的。一条链的输出可以作为另一条链的输入，这就形成了更复杂的处理流程。不过这个后面讲 LCEL（LangChain Expression Language）时再展开。

8. 加个输出解析器的进阶用法

StrOutputParser 是最简单的解析器，但实际场景中你可能需要结构化输出。比如让模型返回 JSON：

from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个信息提取器。请以JSON格式返回结果。"),
    ("user", "从这段文本中提取人名和年龄：{text}")
])

chain = prompt | model | JsonOutputParser()

result = chain.invoke({"text": "小明今年25岁，他的朋友小红23岁"})
print(result)
# {'小明': 25, '小红': 23} 或类似的结构

不过 JsonOutputParser 有时候不太稳定，模型可能返回不符合 JSON 格式的内容。更可靠的方案是用 PydanticOutputParser 或 with_structured_output，这些后面的文章会详细讲。

9. 调试技巧：查看链的中间结果

调试时你可能想看 prompt 格式化后的结果，或者模型的原始输出。用 RunnablePassthrough 可以实现：

from langchain_core.runnables import RunnablePassthrough

# 只看 prompt 的输出
debug_chain = prompt | RunnablePassthrough()
result = debug_chain.invoke({"question": "什么是Python？"})
print(result)

或者用 LangSmith（LangChain 的可观测性平台）来追踪每一步的输入输出，这个在生产环境中很有用。

小结

这篇文章讲了 LangChain 链式编程的核心：

• 整体流程：模型 → 提示词 → 输出解析器，通过 | 串起来
• 三种链式写法：| 管道、RunnableSequence、.pipe()，推荐用 |
• 标准范式：prompt | model | parser 三件套
• 复用性：定义一次，多次调用

链式编程是 LangChain 的灵魂。掌握了它，后面做 RAG、Agent 都是在这个基础上叠加。

觉得有帮助的话，点个赞👍收藏⭐支持一下吧！