🔗 LangChain 实战（中）：Chains + Memory，解锁大模型应用的高阶能力

一、本章概览

第10章《大模型应用开发框架 LangChain（中）》是 LangChain 核心进阶篇，聚焦两大核心模块——Chains（链） 和 Memory（记忆），让你从"单次调用大模型"升级到"编排复杂业务流水线"。

核心内容：

1. Chains：大模型应用的最佳实践
2. LLMChain：上手你的第一个链（公司取名实战）
3. SequentialChain：串联式调用链（戏剧简介 + 评论实战）
4. SimpleSequentialChain vs SequentialChain
5. TransformChain：处理超长文本的转换链
6. RouterChain：实现条件判断的路由链
7. Memory System：赋予应用记忆能力
8. 三大记忆类型详解
9. 可选作业：文本摘要 + 翻译聊天助手

二、Chains：大模型应用的最佳实践

乐高式创新思维

LangChain 的核心设计理念是乐高式创新——将语言模型、提示模板、输出解析器等组件像乐高积木一样模块化组合，通过 Chains（链） 串联起来，构建复杂的大模型应用。

大模型抽象回顾：Model I/O

Format（格式化）→ Predict（预测）→ Parse（解析）

X = "foo", y = "bar"
    ↓
Prompt Template → "Does {x} like {y}, and why?"
    ↓
LLM / Chat Model → {"likes": True, "reason": "Because ..."}
    ↓
Output Parser → "Foo does..."

LangChain 高层结构

Chains 是连接所有组件的"最终链条"，可应用于：

三、LLMChain：第一个链

LLMChain 是整合语言模型和提示模板的最简单链，也是上手 LangChain 的起点。

工作流程

Input（prompts）
    ↓
Prompt Template 格式化
    ↓
LLM / Chat Model 预测
    ↓
Output（contents）
    ↓
Output Parser 解析

实战：公司取名

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

llm = OpenAI(temperature=..., max_tokens=...)

prompt = PromptTemplate(
    input_variables=["product"],
    template="给制造{product}的有限公司取10个好名字，并给出完整的公司名称"
)

chain = LLMChain(llm=llm, prompt=prompt)
print(chain.run({'product': '性能卓越的GPU'}))

输出示例（10个公司名称）：

四、SimpleSequentialChain：单输入/输出串联

SimpleSequentialChain 是最简单形式的顺序链，每个步骤具有单一输入/输出，上一个步骤的输出自动成为下一个步骤的输入。

Input → LLMChain A → LLMChain B → Output

实战：戏剧简介 → 戏剧评论

Step 1 — synopsis_chain：根据剧目标题撰写简介

Step 2 — review_chain：撰写戏剧评论

代码实现：

from langchain.chains import SimpleSequentialChain

overall_chain = SimpleSequentialChain(
    chains=[synopsis_chain, review_chain],
    verbose=True
)

review = overall_chain.run("三体人不是无法战胜的")

五、SequentialChain：多输入/输出串联

SequentialChain 是更通用形式的顺序链，允许多个输入和多个输出，适合复杂业务场景。

Input 1 ──→ LLMChain A ──→ Output A
Input 2 ──→ LLMChain B ──→ Output B

实战：带时代背景的戏剧简介 + 评论

from langchain.chains import SequentialChain

overall_chain = SequentialChain(
    chains=[synopsis_chain, review_chain],
    input_variables=["era", "title"],
    output_variables=["synopsis", "review"],
    verbose=True
)

overall_chain({
    "title": "三体人不是无法战胜的",
    "era": "二十一世纪的新中国"
})

运行结果：

{
  "title": "三体人不是无法战胜的",
  "era": "二十一世纪的新中国",
  "synopsis": "讲述了一个普通家庭中的三体人，受到传统的社会和政治压力，面对社会歧视与偏见以及政治压迫和控制，却不断坚持自己的价值观和信念",
  "review": "一部非常有趣且有意义的戏剧，展示了社会歧视和偏见，以及政治压迫等内容"
}

★

💡 SimpleSequentialChain vs SequentialChain

对比维度	SimpleSequentialChain	SequentialChain
输入/输出	单一输入/输出	多输入/多输出
传递方式	自动传递	显式指定 input_variables / output_variables
适用场景	简单流水线	复杂业务逻辑

六、TransformChain：处理超长文本的转换链

TransformChain 用于处理超长文本，在调用 LLM 之前进行预处理/转换。

架构图

SequentialChain
  ├── D0C 1
  ├── TransformChain（预处理/截断/提取关键部分）
  ├── LLMChain（摘要生成）
  └── Summary → D0C 2

典型场景：当文档内容超过 LLM 的 Token 限制时，先用 TransformChain 进行文本截断、关键信息提取或分段处理，再交由 LLMChain 处理。

七、RouterChain：实现条件判断的路由链

RouterChain 根据输入条件，由路由链判断选择不同的下游 LLMChain 执行。

Input 1 ──→ LLMRouterChain ──→ LLMChain A ──→ Output A
Input 2 ──→ LLMRouterChain ──→ LLMChain B ──→ Output B

典型场景：根据用户意图（如"翻译"或"摘要"）自动路由到不同的处理链。

八、可选作业：文本摘要 + 翻译聊天助手

结合 Chains 全部能力，构建一个既能做摘要又能做翻译的聊天助手：

Input 1 ──→ TransformChain ──→ LLMChain A ──→ Summary
Input 2 ──→ LLMRouterChain ──→ LLMChain B ──→ Translation

九、Memory：赋予应用记忆的能力

为什么需要 Memory？

★

没有 Memory 的 LLM 应用，每次对话都是"初次见面"——模型无法记住之前说过什么。Memory 系统让应用具备对话记忆能力，实现真正的多轮交互。

Memory System 与 Chain 的关系

Memory 在 Chain 中承担 READ（读取） 和 WRITE（写入） 两个核心功能：

Chain:
Prompt: "{past_messages} {question}" → Model → Output Parser → {"answer": ...}
                             ↑                            ↓
Memory:                   READ  ←──────────────────  WRITE

工作流程：

1. WRITE：模型生成答案后，Memory 将新的对话历史写入存储
2. READ：用户发起新问题时，Memory 读取历史消息 {past_messages} 注入到 Prompt 中
3. 模型在上下文中"看到"历史对话，实现连贯的多轮交互

记忆基类

LangChain 提供了 BaseMemory 和 BaseChatMessageMemory 作为记忆系统的基类，支持高度定制化——你可以替换为不同的 XMemory 实现，使应用具备不同形式的记忆能力。

三大记忆类型详解

记忆类型对比图示：

ConversationBufferMemory：
  [消息1] [消息2] [消息3] [消息4] [消息5] ... 全部保留

ConversationBufferWindowMemory（窗口=3）：
  [消息1] [消息2] [消息3] [消息4] [消息5]
  → 只保留 [消息3] [消息4] [消息5]（最近3条）

ConversationSummaryBufferMemory：
  [摘要] + [消息4] [消息5]（最新对话保留原文）

十、课程项目：GitHub openai-quickstart

项目目录

openai-quickstart/
├── openai_api/          # OpenAI API 实战
├── langchain/           # LangChain 集成示例（本章核心）
├── openai-translator/   # OpenAI 翻译工具
├── chatgpt-plugins/     # ChatGPT 插件开发
├── docs/                # 文档与学习资料
└── selected_homework/   # 学员优秀作业

📌 本章核心要点总结

★

📚 下期预告：第11章 —— LangChain 实战（下）：Agents + Data Connection，敬请期待！

本文整理自《AI 大模型应用开发实战营》第10章，讲师：彭靖田