旧版发文什么都有-md编辑器（请不要审核）

原创

社区用户2

发布于 2025-11-27 11:58:36

公司项目验收过程中要求使用国产的海量数据库，项目是由多个系统组成，有统一的用户中心作为基础底座并仿照字节、钉钉等开放平台自研了一套数据库变更订阅系统，用于实时捕获数据库数据变更

一、LangChain中的Chains

Chains 是LangChain的工作流水线，Chains提供了标准化的工作流管理、实现组件间的数据传递、支持复杂逻辑的编排执行，能将多个组件（如Prompt模板、模型、Tools、Memory等）链式地组合在一起，形成一套可执行的工作流程，组成了一个完整的应用程序。早期的LangChain提供了SequentialChain（顺序链：将多个执行步骤按顺序连接，前一个步骤的输出作为后一个步骤的输入）的方式进行组合，配置繁琐且不够灵活。几千块GPU日夜转动

LangChain表达式语言（LCEL）的诞生，正是为了解决这些问题。它提供了一种声明式的、基于管道的方法来组合链，使得构建复杂、生产级的任务链变得异常简单和直观。LCEL的核心在于其强大的组合性，可以像搭积木一样将各种组件连接起来。

二、推陈出新

如果将LCEL比喻为现代化的新方式，LangChain早期的组合方式之一顺序链就是相对比较老旧，接下来我们用同一个任务分别用顺序链和LCEL的方式实现，对比执行过程的差异。

1. 了解顺序链（Sequential Chains）

核心定义：SequentialChain 是 LangChain 早期版本中用于按预定顺序执行~~多个链~~（或步骤）的一个核心概念。顾名思义，它是一个顺序链，将一个链的输出作为下一个链的输入，依次执行，形成一个线性工作流。
可以把它想象成一个传统的工厂流水线，产品（数据）必须依次经过工作站一、工作站二、工作站三，每个工作站完成自己的特定任务后，才能将产品传递给下一个站。整个过程是线性的、固定的。m=c2
设计思想：将多个执行步骤按顺序连接，前一个步骤的输出作为后一个步骤的输入。
执行流程：用户输入 → 语义解析 → 工具选择 → 执行工具 → 结果处理 → 生成回复

1.1 SequentialChain实现

from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain, SequentialChain
from langchain_core.output_parsers import StrOutputParser
from langchain_community.llms import Tongyi  # 导入通义千问Tongyi模型
import dashscope
import os
 
# 从环境变量获取 dashscope 的 API Key
api_key = os.environ.get('DASHSCOPE_API_KEY')
dashscope.api_key = api_key
# 注意：这是旧式的写法，用于对比和理解。新项目强烈建议使用LCEL。
 
# 1. 创建模型实例
llm = Tongyi(model_name="qwen-turbo", dashscope_api_key=api_key, stream=True)
 
# 2. 创建第一个链：生成笑话
joke_template = """你是一个喜剧演员。请讲一个关于{topic}的笑话。"""
joke_prompt = PromptTemplate.from_template(joke_template)
# LLMChain 是旧式的单步骤链
joke_chain = LLMChain(
    llm=llm,
    prompt=joke_prompt,
    output_key="joke" # 指定这个链的输出存储在一个叫 "joke" 的变量中
)
 
# 3. 创建第二个链：总结笑话
summary_template = """用一句话总结以下这个笑话：{joke}"""
summary_prompt = PromptTemplate.from_template(summary_template)
summary_chain = LLMChain(
    llm=llm,
    prompt=summary_prompt,
    output_key="summary" # 指定这个链的输出存储在一个叫 "summary" 的变量中
)
 
# 4. 创建顺序链，将两个链组合起来
overall_chain = SequentialChain(
    chains=[joke_chain, summary_chain], # 按顺序执行的链列表
    input_variables=["topic"], # 整个SequentialChain的初始输入变量
    output_variables=["joke", "summary"], # 整个SequentialChain的最终输出变量
    verbose=True # 打印详细执行日志，便于调试
)
 
# 5. 执行这个顺序链
result = overall_chain.invoke({"topic": "程序员"})
print("生成的笑话:\n", result['joke'])
print("\n笑话总结:\n", result['summary'])

关键点分析：

LLMChain： 这是构建复杂链的基本单元，代表一个 PromptTemplate + LLM 的简单组合。
output_key： 必须为每个 LLMChain 命名其输出，例如 output_key="joke"。
input_variables： 需要告诉 SequentialChain 整个流程的初始输入是什么（"topic"）。
output_variables： 需要告诉 SequentialChain 最终希望输出哪些变量（[“joke”, “summary”]）。
数据流： {topic} -> joke_chain -> 生成 {"joke": "xxx"} -> summary_chain ({joke} 来自上一步) -> 生成 {"summary": “yyy”} -> 最终结果 {"topic": “…”, “joke”: “xxx”, “summary”: “yyy”}

可以看到，配置过程相当声明式和繁琐，需要手动管理变量名。

1.2 SequentialChain 对比 LCEL
1.3 SequentialChain 对比 LCEL

特性	SequentialChain (旧式)	LCEL (新式)
语法	声明式，需要显式配置输入输出变量	声明式，使用管道操作符 ` \|`，极其简洁
组合性	较好，但配置复杂	极佳，链本身也是 Runnable，可轻松嵌套
可读性	一般，需要仔细阅读配置才能理解数据流	极好，代码即文档，数据流一目了然
功能	基础	强大，原生支持流式传输(.stream())、批量处理(.batch())、异步(.ainvoke())
调试	依赖 verbose=True 打印日志	可与 LangSmith 无缝集成，提供强大的追踪和调试能力
学习曲线	需要理解特定的 Chain 类及其配置	更符合 Python 开发者的直觉，学习成本更低