在基于大语言模型开发复杂AI应用时，单一的模型调用、提示词模板往往无法满足实际业务需求，而LangChain中的Chains（链） 正是为解决这一问题而生的核心能力。Chains通过将提示模板、LLM模型、输出解析器、记忆、工具等模块化组件串联/组合，形成可复用的AI工作流，让开发者能够轻松实现比单一组件更强大的功能。

一、Chains核心基础认知

1.1 什么是Chains

Chain即链，是LangChain中实现组件组合的核心机制，其核心思想是模块化组合：将不同功能的基础组件按业务逻辑连接，完成单一组件无法实现的复杂任务。常见的组合形式包括：
• LLM与提示模板（Prompt Template）结合，实现标准化的模型调用；
• LLM与输出解析器结合，将模型原生输出转换为结构化数据；
• LLM与外部数据/工具结合，实现智能问答、数据查询等场景；
• LLM与记忆组件结合，维护聊天历史实现多轮对话；
• 多个LLM按顺序串联，前一个模型的输出作为后一个模型的输入。

1.2 LCEL：链的极简构建方式

LangChain表达式语言（LCEL，LangChain Expression Language）是LangChain主推的声明式链构建方法，通过Python原生的管道符|将组件连接成可执行流程，大幅简化了AI工作流的开发，也是构建最简单Chain的核心方式。

LCEL的核心构成

一个标准的LCEL链由三部分组成，执行流程为输入→提示模板→模型→输出解析器→结果：

chain = prompt | model | output_parser

• Prompt：基础提示模板（BasePromptTemplate），接收参数字典并生成PromptValue，适配LLM（字符串输入）和ChatModel（消息序列输入）；
• Model：语言模型/聊天模型，接收PromptValue并输出字符串或BaseMessage；
• OutputParser：输出解析器（BaseOutputParser），将模型原生输出解析为指定格式（如字符串、JSON）。

Runnable协议：统一的组件调用标准

LCEL的核心底层是Runnable抽象接口，它强制所有LCEL兼容组件实现一组标准方法，解决了传统开发中不同组件调用方式不统一的痛点。

class Runnable(Protocol):
    def invoke(self, input: Any) -> Any: ... # 单输入单输出，核心调用方法
    def batch(self, inputs: List[Any]) -> List[Any]: ... # 批量处理
    def stream(self, input: Any) -> Iterator[Any]: ... # 流式输出
    # 异步方法 ainvoke/abatch/astream 等

所有LCEL组件（提示模板、模型、解析器、检索器等）都实现了Runnable协议，这意味着无论组件功能如何，都可以通过invoke/batch/stream实现统一调用，且组件组合后的链也自动继承这些方法。

LCEL解决的传统开发痛点

在没有统一协议的情况下，不同组件的调用方法各异，组合时需要手动适配，代码繁琐且易出错：

# 传统方式：各组件调用方法不统一
prompt_text = prompt.format(topic="猫") # 提示词：format
model_out = model.generate(prompt_text) # 模型：generate
result = parser.parse(model_out) # 解析器：parse

而通过LCEL的Runnable协议，所有组件统一使用invoke调用，结合管道符可实现一键组合，无需手动处理中间结果传递和类型匹配：

# LCEL方式：统一调用+管道符组合
chain = prompt | model | parser
result = chain.invoke({"topic": "猫"})

LCEL基础使用示例

以“生成指定话题的简短笑话”为例，体验LCEL链的极简开发：

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

load_dotenv()
# 1. 初始化组件
chat_model = ChatOpenAI(model="gpt-4o-mini")
prompt_template = PromptTemplate.from_template("给我讲一个关于{topic}话题的简短笑话")
parser = StrOutputParser()
# 2. 构建LCEL链
chain = prompt_template | chat_model | parser
# 3. 调用链
output = chain.invoke({"topic": "ice cream"})
print(output)

二、传统Chains的使用（Legacy Chains）

在LCEL推出之前，LangChain提供了一系列传统链（Legacy Chains），虽然目前LangChain官方推荐使用LCEL，但传统链的设计思想仍对理解复杂工作流有重要意义，且部分场景仍有使用需求。以下介绍最常用的传统链类型。

2.1 基础链：LLMChain

LLMChain是最基础、最核心的传统链，至少包含提示词模板和语言模型两个组件，适用于无上下文的单次问答场景（如翻译、摘要、分类），特点是无记忆能力，无法自动维护聊天历史。
⚠️ 官方提示：LLMChain在LangChain 0.1.17中已被弃用，1.0版本将彻底移除，推荐使用prompt | llm的LCEL方式替代。

LLMChain核心使用步骤

1. 初始化语言模型和提示词模板；
2. 通过LLMChain类组合组件，配置相关参数；
3. 调用invoke()方法执行链，获取结果。

2.2 顺序链：SimpleSequentialChain

顺序链用于将多个链按顺序串联，前一个链的输出作为后一个链的输入，形成流水线工作流。SimpleSequentialChain是最简单的顺序链，适用于单输入、单输出的子链串联，无需手动映射变量，框架自动完成参数传递。

2.3 通用顺序链：SequentialChain

SequentialChain是更灵活的通用顺序链，解决了SimpleSequentialChain单输入输出的限制，支持多输入、多输出的子链串联，需显式定义变量映射关系，适用于复杂的多变量业务场景。
核心特点
• 支持子链的多输入、多输出变量；
• 需通过input_variables定义初始入参，output_variables定义最终输出；
• 子链通过output_key定义输出变量，后续子链可直接引用该变量作为入参；
• 支持分支、条件逻辑，是处理复杂流水线的核心传统链。

三、基于LCEL的新一代Chains

随着LCEL的成熟，LangChain官方推出了基于LCEL构建的新一代链，替代传统链的同时，结合了LCEL的统一调用、管道符组合、Runnable协议优势，更适合现代AI应用开发。以下介绍最常用的新一代链类型。

3.1 create_sql_query_chain：SQL查询链

核心功能是将自然语言转换为结构化的SQL查询语句，实现自然语言操作数据库，适用于智能数据查询、数据分析等场景，支持MySQL、PostgreSQL、SQLite等主流数据库。
使用步骤（以MySQL为例）

1. 安装数据库驱动：pip install pymysql；
2. 连接数据库，初始化SQLDatabase对象；
3. 通过create_sql_query_chain组合模型和数据库，构建链；
4. 调用链，输入自然语言问题，生成SQL语句。
   示例代码

from langchain_community.utilities import SQLDatabase
from langchain_openai import ChatOpenAI
from langchain.chains.sql_database.query import create_sql_query_chain

# 1. 连接MySQL数据库
db = SQLDatabase.from_uri("mysql+pymysql://root:root@127.0.0.1:3306/test")
# 2. 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini")
# 3. 构建SQL查询链
chain = create_sql_query_chain(llm=llm, db=db)
# 4. 自然语言生成SQL
res = chain.invoke({"question": "查询employees表中一共有多少个员工?", "table_names_to_use": ["employees"]})
print(res) # 输出：SELECT COUNT(`employee_id`) AS `total_employees` FROM `employees`;

3.2 create_stuff_documents_chain：文档合并处理链

是传统StuffDocumentsChain的LCEL升级版，核心功能是将多个文档合并为单个文本，传递给LLM处理，保持文档上下文的完整性，适用于多文档总结、多文档问答，仅支持少量/中等长度文档（避免提示词超限）。
示例代码：多文档问答

from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.documents import Document

# 1. 初始化组件
llm = ChatOpenAI(model="gpt-4o-mini")
prompt = PromptTemplate.from_template("如下文档{docs}中说，香蕉是什么颜色的?")
# 2. 构建文档处理链
chain = create_stuff_documents_chain(llm, prompt, document_variable_name="docs")
# 3. 准备文档
docs = [
    Document(page_content="苹果是红色的水果，产自温带地区。"),
    Document(page_content="香蕉是白色的水果，主要产自热带地区。"),
    Document(page_content="蓝莓是蓝色的浆果，含有抗氧化物质。")
]
# 4. 调用链
res = chain.invoke({"docs": docs})
print(res) # 模型会纠正错误，输出香蕉成熟时为黄色

四、Chains核心使用场景与选型建议

4.1 核心使用场景

1. 标准化模型调用：通过prompt | model | parser的LCEL链，实现统一的模型调用流程，避免重复代码；
2. 多步骤文本处理：如翻译→总结→评论、解释→提取→生成，通过顺序链实现流水线工作流；
3. 智能数据操作：通过create_sql_query_chain实现自然语言操作数据库，无需手动编写SQL；
4. 文档处理：通过create_stuff_documents_chain实现多文档总结、问答，利用大模型的全局理解能力；
5. 检索增强生成（RAG）：结合create_history_aware_retriever和create_retrieval_chain，实现基于外部文档的智能问答；
6. 多领域/多任务处理：通过路由链实现请求的动态分发，适配不同业务场景的子链。

4.2 链的选型建议

1. 简单场景（单输入、单输出）：优先使用LCEL基础链（prompt | model | parser），替代传统LLMChain；
2. 单输入输出的流水线：使用SimpleSequentialChain（传统）或自行通过LCEL管道符串联多个链；
3. 多输入输出的复杂流水线：使用SequentialChain（传统）或基于LCEL的Runnable组合；
4. 数学计算：使用LLMMathChain，避免大模型直接计算出错；
5. 数据库操作：优先使用create_sql_query_chain（LCEL），实现自然语言转SQL；
6. 文档处理：优先使用create_stuff_documents_chain（LCEL），替代传统StuffDocumentsChain；
7. 动态任务分发：使用RouterChain（传统），实现请求的智能路由；
8. 检索增强生成：使用create_retrieval_chain（LCEL），快速构建RAG应用。