转型 AI 开发——LangChain 实战第八课：为什么用 LangChain 做 AI 开发一定要用链？

今天继续分享langchain的用法，今天讲一个比较核心的内容：链（Chain）。

链解决了什么问题？

1. 1. 避免手工拼接

• • 如果不用链，你得写：Prompt → 调 LLM → 拿输出 → 再写 Prompt → 再调 LLM ……
• • 麻烦、容易出错。
• • 链自动把上一步的结果，交给下一步。

1. 2. 流程化

• • 应用不是“一问一答”，而是一个 多步骤的工作流。
• • 链就是把这些步骤串起来，像流水线一样。

1. 3. 可扩展

• • 你今天用简单链做周报。
• • 明天可以加一个链：调用数据库 → 取数据 → 生成报告。
• • 不用推翻重写，直接在链里插步骤就行。

你让AI助手给你写周报，它要先总结，再列计划；
你做智能客服，它要先理解问题，再查知识库，再生成回复。

如果你没有链，你得一层层手写逻辑，把输入和输出自己拼来拼去，代码到最后又臭又长，可读性很差主要是。

下面上代码之前，先给大家说明一下。
在langchain中，有旧版和新版两种写法，简单地说，就是旧版好理解，新版更简洁。

下面我们具体来看看，老规矩，上代码。

新建文件08_chain_old.py

            
            
            
            import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

load_dotenv()

# 初始化 LLM（旧版API示例，不使用流式输出）
llm = ChatOpenAI(
    model="deepseek-chat",
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("deepseek_api_key")
)

#定义Prompt
combined_prompt = PromptTemplate.from_template(
    """
基于以下工作内容，完成两个任务，并直接输出：
1) 用一句话写工作总结。
2) 列出3-5条下周计划，用列表。
要求：简洁；不要提供多个版本；只输出正文。

工作内容：{work_content}
"""
)

#定义链
chain = LLMChain(llm=llm, prompt=combined_prompt, output_key="result")

work_content = "本周完成了LangChain学习，包括基础调用、记忆管理、流式输出等功能"
res = chain.invoke({"work_content": work_content})

print("=== 最终结果 ===")
print(res["result"])

新建文件08_chain_new.py

            
            
            
            import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

load_dotenv()

# 初始化 LLM（新版LCEL示例，不使用流式输出）
llm = ChatOpenAI(
    model="deepseek-chat",
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("deepseek_api_key")
)

print("用一次调用同时完成：总结 → 下周计划\n")

# 定义Prompt
combined_prompt = ChatPromptTemplate.from_template(
    """
基于以下工作内容，完成两个任务，并直接输出：
1) 用一句话写工作总结。
2) 列出3-5条下周计划，用列表。
要求：简洁；不要提供多个版本；只输出正文。

工作内容：{work_content}
"""
)

# 定义链：Prompt -> LLM -> 输出解析器
parser = StrOutputParser()
chain = combined_prompt | llm | parser

work_content = "本周完成了LangChain学习，包括基础调用、记忆管理、流式输出等功能"
result = chain.invoke({"work_content": work_content})

print("=== 最终结果 ===")
print(result)

仔细对比下来，核心区别就是。

旧版写法：
chain = LLMChain(llm=llm, prompt=prompt, output_key="result")

新版写法：
parser = StrOutputParser()
chain = prompt | llm | parser

说实话，用习惯了新版是真香。

用好链，能够很优雅地把 AI 的多步骤流程化，解决重复拼接、流程管理、可扩展性这些问题。

下一课我们就来看看 如何把链和记忆、流式输出组合起来，打造一个真正能连续思考工作的智能体。