0 前言

目前实现一个Chain大多使用LCEL方式来实现，LangChain表达式语言(LCEL，LangChain Expression Language)是一种声明式方法，可以轻松地将多个组件链接成AI工作流。它通过Python原生操作符(如管道符 | )将组件连接成可执行流程，显著简化了AI应用的开发。

LLMChain目前已经被标记被过时，并将在1.0版本被废弃 LangChainDeprecationWarning: The class LLMChain was deprecated in LangChain 0.1.17 and will be removed in 1.0. Use RunnableSequence, e.g., prompt | llm`` instead. chainA = LLMChain(

但是LLMChain作为早期实现Chain的方案在维护旧代码场景方面还是有一定学习价值的。所以以下将使用基于LLMChain构建的Chain配合SimpleSequentialChain和SequentialChain实现简单的工作流案例。

1 LLMChain 和 LCEL 各自的特点

LLMChain特点：

1. 用于单次问答，输入一个 Prompt，输出 LLM 的响应
2. 适合无上下文的简单任务(如翻译、摘要、分类等)
3. 无记忆:无法自动维护聊天历史

LCEL特点：

1. 用管道符号（|）直观串联组件，代码即流程，无需复杂的类封装
2. 支持任意组件（模型、工具、解析器等）的串联、分支、并行等复杂流程
3. 只需在模型中开启 streaming=True，配合回调函数即可实现实时输出
4. 复杂流程（如 RAG、多轮对话、工具链等）

2 顺序链

顺序链(SequentialChain)允许将多个链顺序连接起来，每个Chain的输出作为下一个Chain的输入，
形成特定场景的流水线(Pipeline)。
顺序链有两种类型:

• 单个输入/输出:对应着 SimpleSequentialChain
• 多个输入/输出:对应着:SequentialChain

2.1 SimpleSequentialChain

SimpleSequentialChain是最简单的顺序链，多个链串联执行 ，每个步骤都有 单一的输入和输出，一个步骤的输出就是下一个步骤的输入，无需手动映射。

2.1.1 代码示例

以下将实现一个ChainA对知识的提问，返回问题的答案，然后将这个输出结果给到ChainB,它再拿着ChainA给的答案总结并按照要求处理和输出

import os

import dotenv
from langchain_classic.chains.llm import LLMChain
from langchain_classic.chains.sequential import SimpleSequentialChain
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

dotenv.load_dotenv()

os.environ["OPENAI_BASE_URL"] = os.getenv("QWEN_BASE_URL")
os.environ["OPENAI_API_KEY"] = os.getenv("QWEN_API_KEY")
# 获取对话模型
chat_model = ChatOpenAI(
    model="qwen-plus"
)

chainA_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个计算机领域大佬"),
    ("human", "解释一下什么是{question}，不超过500字")
])

chainB_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个计算机老师，善于将复杂的计算机知识用简洁易懂的话告诉学生"),
    ("human", "怎么理解这段话，{description}，不超过200字")
])

chainA = LLMChain(
    llm=chat_model,
    prompt=chainA_template,
    verbose=True
)

chainB = LLMChain(
    llm=chat_model,
    prompt=chainB_template,
    verbose=True
)

full_chain = SimpleSequentialChain(
    chains=[chainA, chainB],
    verbose=True
)
#
print(full_chain.invoke({"input": "什么是LangChain？"}))

2.1.2 运行结果

图中靛蓝色为ChainA输出的结果，接着第二次调用LLChain时，拿着ChainA给的结果进行提问，最后黄色部分是ChainB的输出结果，也是最终的输出结果

2.2 SequentialChain

SequentialChain:更通用的顺序链，具体来说:

• 多变量支：允许不同子链有独立的输入/输出变量。
• 灵活映射：需显式定义变量如何从一个链传递到下一个链。即精准地命名输入关键字和输出关键字，来明确链之间的关系。
• 复杂流程控制：支持分支、条件逻辑(分别通过 input_variables 和output_variables 配置输入和输出)。

即可以随意指定多个输入和输出，而不会像SimpleSequentialChain那样默认单个输入和输出，并且不会上一个输出默认作为下一个输入，而是需要通过精确的变量名来指定

2.2.1 代码示例

以下示例通过对query_chain输入product，接着query_chain输出query_price，接着advertisement_chain拿着最开始输入的product和query_chain输出的query_price进行处理输出广告文案，同时把query_price和product也一同输出

import os

import dotenv
from langchain_classic.chains.llm import LLMChain
from langchain_classic.chains.sequential import SequentialChain
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

dotenv.load_dotenv()

os.environ["OPENAI_BASE_URL"] = os.getenv("QWEN_BASE_URL")
os.environ["OPENAI_API_KEY"] = os.getenv("QWEN_API_KEY")
# 获取对话模型
chat_model = ChatOpenAI(
    model="qwen-plus"
)

query_prompt_template = PromptTemplate.from_template(
    template="模拟查询{product}的市场价格，直接返回一个合理的数字，不要返回其他东西"
)

advertisement_prompt_template = PromptTemplate.from_template(
    template="为{product}(售价: {query_price}元)创作一篇100字以内的促销文案，要求突出产品卖点"
)

query_chain = LLMChain(
    llm=chat_model,
    prompt=query_prompt_template,
    output_key="query_price",
    verbose=True
)

advertisement_chain = LLMChain(
    llm=chat_model,
    prompt=advertisement_prompt_template,
    output_key="advertisement",
    verbose=True
)

sequential_chain = SequentialChain(
    chains=[query_chain, advertisement_chain],
    input_variables=["product"],
    output_variables=["query_price", "advertisement"],
    verbose=True
)

print(sequential_chain.invoke({"product": "iPhone16Pro"}))

2.2.2 运行结果

query_chain输出query_price为9999，接着advertisement_chain拿着iPhone16Pro和query_chain输出的9999进行处理输出广告得到结果