前言
本系列分享前两期分别讲述了
本期分享我们一起来学习LangChain最核心思想——搭建Chains，也就是所谓链式调用的核心方法。顾名思义，LangChain之所以被称为LangChain，其核心概念就是Chain。只要掌握了Chain的搭建方法，我们就掌握了LangChain搭建智能体的核心技巧。
本系列分享是笔者结合自己学习工作中使用LangChain&LangGraph经验倾心编写的，力求帮助大家体系化快速掌握LangChain&LangGraph AI Agent智能体开发的技能！大家感兴趣可以关注笔者掘金账号和系列专栏。更可关注笔者同名微信公众号: 大模型真好玩, 每期分享涉及的代码均可在公众号私信: LangChain智能体开发获得。
一、LangChain链式调用架构
链式调用位于LangChain三层核心架构中的中间层——工作流API抽象层。Chain翻译成中文就是“链”，我们将大模型、相关工具等作为组件，链就是负责将这些组件按照某一种逻辑，顺序组合成一个流水线的方式。比如我们要构建一个简单的问答链，就需要把大模型组件和标准输出组件用链串联起来。下面笔者将通过由易到难的示例向大家介绍常用的链式调用模式:
二、LangChain链搭建代码实战
2.1 尝试搭建一个简单链
第一个示例先尝试搭建一个简单链，将模型“输出结果”过滤为一个纯字符串格式:
from langchain.chat_models import init_chat_modelfrom langchain_core.output_parsers import StrOutputParser # 导入标准输出组件model = init_chat_model( model="Qwen/Qwen3-8B", model_provider="openai", base_url="https://api.siliconflow.cn/v1/", api_key="", #你注册的硅基流动api_key)# 搭建链条，把model和字符串输出解析器组件连接在一起basic_qa_chain = model | StrOutputParser()# 查看输出结果question = "你好，请你介绍一下你自己。"result = basic_qa_chain.invoke(question)print(result)上图是以上代码执行结果，可以看到此时的result不再是包含模型各种调用信息的AIMessage对象，而是纯粹的模型响应的字符串结果。这里用到的StrOutputParser()实际上就是用于构成LangChain中一个链条的一个对象，其核心功能是用于处理模型输出结果。同时我们也发现LangChain中搭建链的方法十分简单，只需将不同组件通过|符号串联即可。
2.2 加入提示词模板创建链
接下来尝试为简单的链流程增加一个提示词模板，可以借助ChatPromptTemplate非常便捷的将一个提示词模板打造为组件，同样以链的形式加入当前流程中:
from langchain.chat_models import init_chat_modelfrom langchain.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParsermodel = init_chat_model( model="Qwen/Qwen3-8B", model_provider="openai", base_url="https://api.siliconflow.cn/v1/", api_key="", #你注册硅基流动api_key)prompt_template = ChatPromptTemplate([ ("system", "你是一个乐意助人的助手，请根据用户的问题给出回答"), ("user", "这是用户的问题： {topic}， 请用 yes 或 no 来回答")])# 直接使用模型 + 输出解析器bool_qa_chain = prompt_template | model | StrOutputParser()# 测试question = "请问 1 + 1 是否 大于 2？"result = bool_qa_chain.invoke({'topic':question})print(result)当我们调用指令跟随能力较强的大模型时，借助提示词模板即可实现相应的结构化输出。
2.3 结构化解析器
LangChain中一个基础的链一般由如下三部分构成，分别是提示词模板、大模型和结构化解析器。智能体开发人员通过提示词让大模型输出结构化的字符串，然后通过结构化解析器将字符串解析为指定对象。流程如下:
我们上文使用的StrOutputParser仅仅是一种最简单的结构化解析器，LangChain中常用的核心结构化解析器功能如下:
| 解析器名称 | 功能描述 | 类型 |
|---|---|---|
| BooleanOutputParser | 将LLM输出解析为布尔值 | 基础类型解析 |
| DatetimeOutputParser | 将LLM输出解析为日期时间 | 基础类型解析 |
| EnumOutputParser | 解析输出为预定义枚举值之一 | 基础类型解析 |
| RegexParser | 使用正则表达式解析LLM输出 | 模式匹配解析 |
| RegexDictParser | 使用正则表达式将输出解析为字典 | 模式匹配解析 |
| StructuredOutputParser | 将LLM输出解析为结构化格式 | 结构化解析 |
| YamlOutputParser | 使用Pydantic模型解析YAML输出 | 结构化解析 |
| PandasDataFrameOutputParser | 使用Pandas DataFrame格式解析输出 | 数据处理解析 |
| CombiningOutputParser | 将多个输出解析器组合为一个 | 组合解析器 |
| OutputFixingParser | 包装解析器并尝试修复解析错误 | 错误处理解析 |
| RetryOutputParser | 包装解析器并尝试修复解析错误 | 错误处理解析 |
| RetryWithErrorOutputParser | 包装解析器并尝试修复解析错误 | 错误处理解析 |
| ResponseSchema | 结构化输出解析器的响应模式 | 辅助类 |
下面使用BooleanOutputParser()改变上述代码，将yes or no的输出转化为True or False：
from langchain.chat_models import init_chat_modelfrom langchain.prompts import ChatPromptTemplatefrom langchain.output_parsers import BooleanOutputParsermodel = init_chat_model( model="Qwen/Qwen3-8B", model_provider="openai", base_url="https://api.siliconflow.cn/v1/", api_key="", # 你注册的硅基流动 api key)prompt_template = ChatPromptTemplate([ ("system", "你是一个乐意助人的助手，请根据用户的问题给出回答"), ("user", "这是用户的问题： {topic}， 请用 yes 或 no 来回答")])# 直接使用模型 + 输出解析器bool_qa_chain = prompt_template | model | BooleanOutputParser()# 测试question = "请问 1 + 1 是否 大于 2？"result = bool_qa_chain.invoke({'topic':question})print(result)BooleanOutputParser()的用法比较简单，大家用的更多的是StructedOutputParser从文档中提取指定的类似Json这种结构化信息。
from langchain.chat_models import init_chat_modelfrom langchain_core.prompts import PromptTemplatefrom langchain.output_parsers import ResponseSchema, StructuredOutputParserschemas = [ # 构建结构化数据模板 ResponseSchema(name="name", description="用户的姓名"), ResponseSchema(name="age", description="用户的年龄")]parser = StructuredOutputParser.from_response_schemas(schemas) # 根据模板生成解析器model = init_chat_model( model="Qwen/Qwen3-8B", model_provider="openai", base_url="https://api.siliconflow.cn/v1/", api_key="", # 你注册的硅基流动api_key)prompt = PromptTemplate.from_template( "请根据以下内容提取用户信息，并返回 JSON 格式：\n{input}\n\n{format_instructions}") # 这是另一种使用占位符的提示词模板表示方式chain = ( prompt.partial(format_instructions=parser.get_format_instructions()) | model | parser)result = chain.invoke({"input": "用户叫李雷，今年25岁，是一名工程师。"}) # 输入input, format_instructions前面已经赋值print(result)以上代码有如下几个关键点:
- 通过
PromptTemplate.from_template()构建提示词组件，提示词组件的内容可以指定任意占位符。这里我们的占位符是input和format_instructions。prompt.partial(format_instructions=parser.get_format_instructions())代码中partial()表示对部分占位符赋值，这里是对format_instructions变量赋值。parser.get_format_instructions()则是LangChain自动创建的提示词，我们打印输出一下，正因为这个提示词，LangChain链中大模型才能按我们期望的输出。parser解析器可以自动将大模型输出提取成json格式，上述代码的执行结果如下:2.4 复杂链搭建
链不但可以将不同的组件组织起来。不同的链又可以作为组件被其它的链串联起来（世界就是巨大的套娃），下面我们就来尝试创建一条复合链：第一个子链负责生成新闻内容，第二个子链负责生成新闻摘要，结构如下:
以上复合链的代码如下:
from langchain.chat_models import init_chat_modelfrom langchain_core.prompts import PromptTemplatefrom langchain.output_parsers import ResponseSchema, StructuredOutputParser# 第一步：根据标题生成新闻正文news_gen_prompt = PromptTemplate.from_template( "请根据以下新闻标题撰写一段简短的新闻内容（100字以内）：\n\n标题：{title}")model = init_chat_model( model="Qwen/Qwen3-8B", model_provider="openai", base_url="https://api.siliconflow.cn/v1/", api_key="", # 你注册的硅基流动api_key)# 第一个子链：生成新闻内容news_chain = news_gen_prompt | model# 第二步：从正文中提取结构化字段schemas = [ ResponseSchema(name="time", description="事件发生的时间"), ResponseSchema(name="location", description="事件发生的地点"), ResponseSchema(name="event", description="发生的具体事件"),]parser = StructuredOutputParser.from_response_schemas(schemas)summary_prompt = PromptTemplate.from_template( "请从下面这段新闻内容中提取关键信息，并返回结构化JSON格式：\n\n{news}\n\n{format_instructions}")# 第二个子链：生成新闻摘要summary_chain = ( summary_prompt.partial(format_instructions=parser.get_format_instructions()) | model | parser)# 组合成一个复合 Chainfull_chain = news_chain | summary_chain# 调用复合链result = full_chain.invoke({"title": "苹果公司在加州发布新款AI芯片"})print(result)执行结果如下:
2.5 自定义组件
相信阅读完上述代码大家会有疑问：如果LangChain没有实现我想要组件的功能该怎么办呀？不用担心，LangChain早预想到了这种情况，提供了开发者自定义可运行节点的功能。
同样是上面的案例，如果我们想在链中设置调试组件该如何编写代码?这就需要用到LangChain的Runnable组件了。在上述复合链代码中添加:
from langchain_core.runnables import RunnableLambdadef debug_print(x): print('中间结果（新闻正文）：', x) return xdebug_node = RunnableLambda(debug_print)# 组合成一个复合 Chainfull_chain = news_chain | debug_node | summary_chain# 调用复合链result = full_chain.invoke({"title": "苹果公司在加州发布新款AI芯片"})print(result)RunnableLambda将python函数转换为可运行节点。转化后的节点可以像任何其它Runnable一样组合并与LangChain链无缝集成。（特别注意: RunnableLambda适合非流式输出，如果要流式输出请使用RunnableGenerator python.langchain.com/api_referen…）。
看到这里，大家基本了解了LangChain链的核心原理，我们离使用LangChain快速开发出一个智能问答机器人项目也不远了~
三、LCEL简述
在上述代码中|符号被我们广泛使用，大家可能会想问：“Python语言里面这个符号的用法好像也不是链呀，在这里为什么可以把各个组件串起来呢？”
其实这是LangChain专门为现代大语言模型应用开发的一种全新表达范式，被称为LCEL（LangChain Expression Language） 。它不仅简化了模型交互的编排过程，还增强了组合的灵活性和可维护性。
3.1 LCEL的定义
LCEL，全称为LangChain Expression Language，是一种专为 LangChain 框架设计的表达语言。它通过一种链式组合的方式，允许开发者使用清晰、声明式的语法来构建语言模型驱动的应用流程。简单来说，LCEL 是一种“函数式管道风格”的组件组合机制，用于连接各种可执行单元（Runnable）。这些单元包括提示模板、语言模型、输出解析器、工具函数等。
3.2 LCEL的设计目的
LCEL 的设计初衷在于：
- 模块化构建：将模型调用流程拆解为独立、可重用的组件。逻辑可视化：通过语法符号（如管道符
|）呈现出明确的数据流路径。统一运行接口：所有 LCEL 组件都实现了 .invoke()、.stream()、.batch() 等标准方法，便于在同步、异步或批处理环境下调用。脱离框架限制：相比传统的 Chain 类和 Agent 架构，LCEL 更轻量、更具表达力，减少依赖的“黑盒”逻辑。3.3 LCEL的核心组成
LCEL的核心组成有如下三点:
Runnable 接口
LCEL 的一切基础单元都是 Runnable 对象，它是一种统一的可调用接口，支持如下形式：
.invoke(input)：同步调用.stream(input)：流式生成.batch(inputs)：批量执行管道运算符 |
这是 LCEL 最具特色的语法符号。多个 Runnable 对象(也就是我们说的组件)可以通过 | 串联起来，形成清晰的数据处理链。例如：
prompt | model | parser表示数据将依次传入提示模板、模型和输出解析器，最终输出结构化结果。
PromptTemplate 与 OutputParser
LCEL 强调组件之间的职责明确，Prompt 只负责模板化输入，Parser 只负责格式化输出，Model 只负责推理。
以上就是我们今天分享的全部内容~
四、总结
本期分享我们讲解了LangChain的核心概念——“链”，由易到难搭建了LangChain简单链、复合链和自定义节点链，同时了解了LangChain提示词模板和结构化解析器的基本用法。在实战代码案例中让大家感受到了LangChain LCEL语法设计的简洁性和实用性，大家学完本期内容初步具备了搭建简易LangChain智能体的能力，下一期分享我们将手把手带大家完成一个全栈项目——LangChain搭建多轮对话网站，大家一起期待一下吧！
本系列分享预计会有20节左右的规模，保证大家看完一定能够掌握LangChain&LangGraph的开发能力，大家感兴趣可关注笔者掘金账号和专栏，更可关注笔者的同名微信公众号：大模型真好玩， 本系列分享的全部代码均可在微信公众号私信笔者: LangChain智能体开发 免费获得。
