大家好，我是飞哥！👋

欢迎来到吴恩达《LangChain LLM 应用开发》系列课程的第四讲。这一讲，我们将学习 LangChain 最重要的构建块 —— Chain (链)。

如果说 Prompt 是给 AI 下达的“单个指令”，那么 Chain 就是把一连串指令串起来的“工作流”。

---

1. 为什么：从“积木”到“流水线”

Harrison 在视频中提到：

“The chain usually combines an LLM together with a prompt, and with this building block, you can also put a bunch of these building blocks together…”
翻译：这种链条通常会将一个语言模型与一个提示相结合，有了这个基本组件，你还可以将许多这样的基本组件组合在一起……

1.1 场景锚定 ⚓️

想象你在做一道复杂的菜（比如“红烧肉”）。你不能只对厨师喊一句“做红烧肉！”，然后期待成品直接出现。
你得把过程拆解：

1. 切肉：把肉切成块。
2. 焯水：去掉血水。
3. 炒糖色：上色。
4. 炖煮：小火慢炖。

之前的 LLM 调用就像是“单步操作”，而 Chain 就是把这些步骤连成一条自动化的“流水线”。

1.2 生动类比 🍊

• LLMChain：就像一个“全能工”，给他一个任务（Prompt），他给你一个结果。
• SequentialChain：就像“工厂流水线”。工人 A 处理完（比如翻译），直接传给工人 B（比如总结），中间不需要你插手。
• RouterChain：就像医院的“分诊台”。护士看你一眼（分析问题），如果是骨折就指引你去骨科，如果是感冒就指引你去内科。

1.3 核心骨架 🦴

所以，Chain (链) 的本质，就是“编排”：

它的工作就是把多个 LLM 调用或者其他操作（如搜索、计算）按顺序串联起来，形成一个完整的业务逻辑。

---

2. 是什么：LangChain 的核心链类型

视频中主要介绍了三种最常用的链：

1. LLMChain：最基础的原子链。

   • 结构：Prompt + LLM。
   • 功能：输入 -> 提示模板 -> 模型 -> 输出。

2. SequentialChain (顺序链)：

   • 结构：Chain A -> Chain B -> …
   • 功能：把上一个链的输出，作为下一个链的输入。
   • SimpleSequentialChain：单输入 -> 单输出（最简单，像传声筒）。
   • SequentialChain：多输入 -> 多输出（更灵活，像复杂的电路图）。

3. RouterChain (路由链)：

   • 结构：Input -> Router -> Chain A 或 Chain B。
   • 功能：智能分流。根据用户的问题类型，动态选择最合适的 Prompt 或 Chain 来处理。

---

3. 怎么用：实战演练 (DeepSeek 版) 🛠️

我们要用代码来验证一下。为了方便大家通过 DeepSeek 学习，我们对代码做了适配，并将所有 Prompt 翻译成了中文。

3.1 环境准备

请确保你的项目目录中有一个 .env 文件，内容如下（把 Key 换成你自己的）：

OPENAI_API_KEY=sk-你的DeepSeek密钥
OPENAI_API_BASE=https://api.deepseek.com
OPENAI_MODEL_NAME=deepseek-chat

3.2 代码实战

(1) LLMChain：最简单的链

给产品起名字。

# 核心代码片段
prompt = ChatPromptTemplate.from_template(
    "给一家生产{product}的公司起个最好的名字是什么？"
)

chain = LLMChain(llm=llm, prompt=prompt)
product = "大号床单套装"
print(f"输入产品: {product}")
response = chain.run(product)
print(f"AI 回答: {response}")

🔮 运行结果：

输入产品: 大号床单套装
AI 回答: 为一家生产大号床单套装的公司起名，需要兼顾**舒适感、品质感、尺寸特色和记忆点**。以下是一些精选方向和建议，并附上简要解析，供您参考：

---

### **一、直接突出“大尺寸/奢华感”**
1. **云端漫眠**  
   （强调柔软如云、宽敞可漫游的睡眠体验）
2. **帝王织造**  
   （凸显奢华尊享，适合高端定位）
3. **穹庐卧室**  
   （“穹庐”比喻天空般的覆盖感，诗意且显宽敞）

---

... (省略部分输出) ...

**最后推荐**：  
若追求**高端奢华**，可选 **“帝王织造”**；  
若侧重**年轻化传播**，可选 **“懒人星系”**；  
若想塑造**诗意品牌**，**“月光褶皱”** 会很有辨识度。

希望这些名字能激发您的灵感，祝品牌大卖！ 🛏️✨

(2) SimpleSequentialChain：单线流水线

任务：先翻译评论，再总结评论。

# Chain 1: 翻译评论
prompt1 = ChatPromptTemplate.from_template(
    "把下面的评论翻译成中文:\n\n{Review}"
)
chain_one = LLMChain(llm=llm, prompt=prompt1)

# Chain 2: 总结评论
prompt2 = ChatPromptTemplate.from_template(
    "用一句话总结下面的评论:\n\n{Chinese_Review}"
)
chain_two = LLMChain(llm=llm, prompt=prompt2)

# 串联起来
overall_simple_chain = SimpleSequentialChain(
    chains=[chain_one, chain_two],
    verbose=True
)

review = "Je trouve le goût médiocre. La mousse ne tient pas, c'est bizarre."
print(f"原始评论 (法文): {review}")
response = overall_simple_chain.run(review)
print(f"最终总结: {response}")

🔮 运行结果：

原始评论 (法文): Je trouve le goût médiocre. La mousse ne tient pas, c'est bizarre.


> Entering new SimpleSequentialChain chain...
我觉得味道一般。泡沫不持久，有点奇怪。
这款啤酒泡沫消散快且口感略显怪异。

> Finished chain.
最终总结: 这款啤酒泡沫消散快且口感略显怪异。

飞哥点评：看到了吗？第二个链直接拿到了第一个链的翻译结果，完全自动！

(3) SequentialChain：多变量流水线

任务升级：翻译 -> 总结 -> 识别语言 -> 自动回复（回复时需要用到总结和语言两个变量）。

# Chain 1: 翻译评论
# input: Review
# output: Chinese_Review
prompt1 = ChatPromptTemplate.from_template(
    "把下面的评论翻译成中文:\n\n{Review}"
)
chain_one = LLMChain(llm=llm, prompt=prompt1, output_key="Chinese_Review")

# Chain 2: 总结评论
# input: Chinese_Review
# output: summary
prompt2 = ChatPromptTemplate.from_template(
    "用一句话总结下面的评论:\n\n{Chinese_Review}"
)
chain_two = LLMChain(llm=llm, prompt=prompt2, output_key="summary")

# Chain 3: 识别语言
# input: Review
# output: language
prompt3 = ChatPromptTemplate.from_template(
    "下面的评论是用什么语言写的:\n\n{Review}"
)
chain_three = LLMChain(llm=llm, prompt=prompt3, output_key="language")

# Chain 4: 自动回复
# input: summary, language
# output: followup_message
prompt4 = ChatPromptTemplate.from_template(
    "针对以下总结，用指定的语言写一条后续回复:\n\n总结: {summary}\n\n语言: {language}"
)
chain_four = LLMChain(llm=llm, prompt=prompt4, output_key="followup_message")

# 组合所有链
overall_chain = SequentialChain(
    chains=[chain_one, chain_two, chain_three, chain_four],
    input_variables=["Review"],
    output_variables=["Chinese_Review", "summary", "followup_message"],
    verbose=True
)

print(f"原始评论 (法文): {review}")
result = overall_chain(review)

print("\n--- 执行结果 ---")
print(f"中文翻译: {result['Chinese_Review']}")
print(f"总结: {result['summary']}")
print(f"自动回复: {result['followup_message']}")

🔮 运行结果：

原始评论 (法文): Je trouve le goût médiocre. La mousse ne tient pas, c'est bizarre.


> Entering new SequentialChain chain...

> Finished chain.

--- 执行结果 ---
中文翻译: 我觉得味道一般。泡沫不持久，有点奇怪。
总结: 这款啤酒泡沫消散快且口感略显怪异。
自动回复: Je note votre retour, merci. Nous transmettons ces remarques sur la mousse et le goût à notre équipe qualité pour amélioration.

(4) RouterChain：智能分诊台

这是最酷的！我们定义了物理、数学、历史、计算机四位“专家”。
当你问“什么是黑体辐射？”时，Router 会自动把你导向“物理专家”。

# 第一步：定义不同领域的“专家人设” (Prompt Templates)
# 物理专家
physics_template = """你是一位非常聪明的物理学教授。 \
你擅长以简洁易懂的方式解释复杂的物理概念。 \
当你不知道答案时，你会承认不知道。

这里有一个问题:
{input}"""

# 数学专家
math_template = """你是一位非常优秀的数学家。 \
你擅长回答数学问题。 \
之所以这么说，是因为你能够将难题分解成各个组成部分， \
先回答各个部分，然后将它们组合起来回答更广泛的问题。

这里有一个问题:
{input}"""

# 历史专家
history_template = """你是一位非常博学的历史学家。 \
你对从早期到现在的人类历史有着极好的了解。 \
你有能力思考、反思、辩论、讨论和评价过去。 \
你尊重历史证据，能够利用这些证据支持你的解释和判断。

这里有一个问题:
{input}"""

# 计算机专家
computerscience_template = """你是一位成功的计算机科学家。 \
你有以此为业的热情，特别是对应用原理解决问题充满热情。 \
你知道计算机科学是理论、实验和工程的统一体。

这里有一个问题:
{input}"""

# 第二步：将这些专家信息整理成列表
# 这里的 description 非常重要，RouterChain 会根据这个描述来判断问题该交给谁
prompt_infos = [
    {
        "name": "physics",
        "description": "适合回答物理问题",
        "prompt_template": physics_template,
    },
    {
        "name": "math",
        "description": "适合回答数学问题",
        "prompt_template": math_template,
    },
    {
        "name": "history",
        "description": "适合回答历史问题",
        "prompt_template": history_template,
    },
    {
        "name": "computer_science",
        "description": "适合回答计算机科学问题",
        "prompt_template": computerscience_template,
    },
]

# 第三步：为每个专家创建一个具体的 LLMChain (目标链)
destination_chains = {}
for p_info in prompt_infos:
    name = p_info["name"]
    prompt_template = p_info["prompt_template"]
    # 创建 Prompt 模板对象
    prompt = ChatPromptTemplate.from_template(template=prompt_template)
    # 创建该专家的链
    chain = LLMChain(llm=llm, prompt=prompt)
    # 存入字典，key 是专家的名字
    destination_chains[name] = chain

# 第四步：定义一个“默认链”
# 如果 AI 觉得问题不属于以上任何一类，就用这个链来回答
default_chain = LLMChain(llm=llm, prompt=ChatPromptTemplate.from_template("{input}"))

# 第五步：构建路由链 (Router Chain)
# 5.1 生成“候选人名单”字符串，格式为 "名字: 描述"
destinations = [f"{p['name']}: {p['description']}" for p in prompt_infos]
destinations_str = "\n".join(destinations)

# 5.2 定义路由模板 (这是 LangChain 内置的一个高级模板)
# 它的作用是告诉 AI：“请分析输入，从下面的候选人名单中选一个最合适的，并以 JSON 格式返回选择结果”
MULTI_PROMPT_ROUTER_TEMPLATE =  """ Given a raw text input to a language model select the model prompt best suited for the input. \
You will be given the names of the available prompts and a description of what the prompt is best suited for. \
You may also revise the original input if you think that revising it will ultimately lead to a better response from the language model.

<< FORMATTING >>
Return a markdown code snippet with a JSON object formatted to look like:
```json
{{{{
    "destination": string \ name of the prompt to use or "DEFAULT"
    "next_inputs": string \ a potentially modified version of the original input
}}}}
 ```

REMEMBER: "destination" MUST be one of the candidate prompt names specified below OR it can be "DEFAULT" if the input is not well suited for any of the candidate prompts.
REMEMBER: "next_inputs" can just be the original input if you don't think any modifications are needed.

<< CANDIDATE PROMPTS >>
{destinations}

<< INPUT >>
{{input}}

<< OUTPUT (remember to include the ```json) >>"""

# 5.3 填充模板
router_template = MULTI_PROMPT_ROUTER_TEMPLATE.format(destinations=destinations_str)

# 5.4 创建 Prompt 对象，并指定 output_parser
# RouterOutputParser 会自动把 AI 返回的 JSON 解析出来，提取出 "destination" (去哪里)
router_prompt = PromptTemplate(
    template=router_template,
    input_variables=["input"],
    output_parser=RouterOutputParser(),
)

# 5.5 创建路由链本身
router_chain = LLMRouterChain.from_llm(llm, router_prompt)

# 第六步：组合最终的 MultiPromptChain
# 它包含三部分：
# 1. router_chain: 大脑，负责分类
# 2. destination_chains: 专家组，负责干活
# 3. default_chain: 兜底方案
chain = MultiPromptChain(
    router_chain=router_chain,
    destination_chains=destination_chains,
    default_chain=default_chain,
    verbose=True, # 开启 verbose 可以看到路由选择的过程
)

# --- 测试环节 ---

# 测试 1: 物理问题 -> 应该路由到 physics
print("\n测试 1: 物理问题")
print(chain.run("什么是黑体辐射？"))

# 测试 2: 数学问题 -> 应该路由到 math
print("\n测试 2: 数学问题")
print(chain.run("2 + 2 等于几？"))

# 测试 3: 生物问题 -> 应该路由到 default (因为没有生物专家)
print("\n测试 3: 生物问题 (应该走默认链)")
print(chain.run("为什么每一种细胞里的 DNA 都是一样的？"))

🔮 运行结果 (物理题)：

测试 1: 物理问题


> Entering new MultiPromptChain chain...
physics: {'input': '什么是黑体辐射？'}
> Finished chain.
好的，这是一个很好的问题，也是物理学史上一个极其重要的概念。

让我用简洁易懂的方式来解释：

### 一句话概括
**黑体辐射** 是指一个“**理想化的、不反射任何光**”的物体（称为“黑体”），在被加热时，**只因其自身温度而发出的电磁辐射**。

---

### 核心比喻
想象一个完美的、内部中空的金属球，上面只开了一个极小的孔。
*   任何光（辐射）进入这个小孔后，在球内壁上被无数次反射、吸收，几乎不可能再逃出来——所以这个小孔看起来是“**绝对黑**”的。这就是一个“**理想黑体**”的近似实现。
*   当我们加热这个金属球时，球壁会发出辐射，其中一部分会从小孔中泄漏出来。这时我们测量从小孔出来的辐射，它就是纯粹的 **“黑体辐射”** —— 它**只取决于球内部的温度**，而与球壁是什么材料无关。

---

### 关键特征与重要性

1.  **普适性**：黑体辐射的能谱（即不同波长/颜色的光各有多少能量）**只取决于温度**，与物体的材质、形状等无关。温度越高，辐射总能量越大，且颜色从红 -> 黄 -> 白 -> 蓝变化（“**白炽**”现象）。

2.  **历史难题与经典物理的失效**：
    *   在19世纪末，物理学家用经典的电磁学和热力学理论（瑞利-金斯公式）去计算黑体辐射能谱时，发现在**短波长（紫外线区域）** 会得出荒谬的结论——能量趋于无穷大（即“**紫外灾难**”）。
    *   这个理论与实验严重不符，暴露了经典物理学在微观领域的根本缺陷。

3.  **量子力学的诞生**：
    *   1900年，**马克斯·普朗克**提出了一个“**绝望的**”解决方案。他假设：黑体壁上的振子（发出辐射的源头）**不能以任意大小的能量辐射，而只能以一份份“能量包”的形式辐射**，每份能量的大小为 **E = hν**（其中ν是频率，h是一个新的常数，即**普朗克常数**）。
    *   这个“**能量量子化**”的假设完美地拟合了实验数据，并直接催生了**量子理论**。普朗克也因此被称为“**量子力学之父**”。

---

### 总结要点
*   **是什么**：理想黑体因热而发出的、仅取决于温度的电磁辐射。
*   **为什么重要**：
    *   它是**热辐射的基准和标准**。
    *   它的研究导致了**量子革命**，是现代物理学的两大支柱之一（另一个是相对论）的起点。
    *   它在现实中广泛应用，例如：通过测量恒星或宇宙背景辐射的能谱，我们可以推算出它们的温度（太阳表面约5800K，宇宙微波背景约2.7K）。

所以，黑体辐射远不止是一个热学概念，它是一把“**打开量子世界大门的钥匙**”。

🔮 运行结果 (数学题)：

测试 2: 数学问题


> Entering new MultiPromptChain chain...
math: {'input': '2 + 2 等于几？'}
> Finished chain.
好的，我们一步步来推理。  

**步骤 1：理解问题**  
问题是：\( 2 + 2 \) 等于多少？  
这是一个基本的整数加法运算。  

... (省略推理过程) ...

**最终答案**：\(\boxed{4}\)

🔮 运行结果 (生物题 - 走默认)：

测试 3: 生物问题 (应该走默认链)


> Entering new MultiPromptChain chain...
None: {'input': '为什么每一种细胞里的 DNA 都是一样的？'}
> Finished chain.
这是一个非常好的问题，也是一个常见的误解。实际上，**并不是每一种细胞里的DNA都是一样的**。

### 1. 核心原则：基因组的一致性（“一样”的部分）
在生物发育的早期，一个受精卵通过无数次细胞分裂，形成身体的所有细胞。在这个过程中，DNA会进行精确的复制和分配。因此，从皮肤细胞、肝细胞到神经元，它们的细胞核里都携带了构建整个生物体所需的全部遗传指令（约2万-2.5万个基因）。这就是“**一样**”说法的来源。

### 2. 关键差异：基因表达的不同（“不一样”的解读）
虽然DNA序列基本相同，但不同细胞**只使用其中一小部分基因**。这就是细胞分化的本质。
*   **肝细胞**：开启制造消化酶和解毒蛋白的基因，关闭其他无关基因。
*   **红细胞**：在成熟过程中甚至会将细胞核（包含DNA）完全排出，只保留血红蛋白来运输氧气。
*   **神经元**：开启与电信号传导和神经递质相关的基因。
*   **免疫细胞（B细胞和T细胞）**：为了识别无数种病原体，它们的DNA会发生**特异性的、程序性的重排**，以产生多样化的抗体和受体。这是最重要的例外之一。

**可以把DNA想象成一本完整的、厚厚的菜谱（基因组）。**
*   每个细胞都拥有同一本完整的菜谱。
*   但**肝细胞**只照着“**川菜**”部分做菜，并把其他章节（如“甜点”、“面点”）用书签合上或锁起来。
*   **肌肉细胞**则只照着“**力量增肌餐**”部分做菜。
*   虽然书的内容一样，但每个细胞阅读和执行的章节完全不同，因此最终的产品（细胞形态和功能）也截然不同。

### 3. 重要的例外和修饰（确实“不一样”的部分）
除了基因选择性表达，DNA本身在特定情况下也会发生实质性的改变：

1.  **免疫细胞的基因重排**：如前所述，这是为了产生免疫多样性，是DNA序列本身的改变。
2.  **生殖细胞（精子和卵子）的减数分裂**：它们的DNA经过重组和减半，只包含一半的基因组，与体细胞完全不同。
3.  **细胞衰老、癌变或受辐射时**：会发生DNA突变、损伤或染色体变异，导致序列改变。
4.  **表观遗传修饰**：这是在不改变DNA序列的前提下，通过给DNA“加标签”（如甲基化）或改变包裹DNA的组蛋白，来长期、稳定地控制基因的“开启”或“关闭”。这些修饰在细胞分裂时有时可以遗传给子细胞，是维持细胞身份记忆的关键。例如，一个皮肤细胞分裂后，两个子细胞都知道自己是皮肤细胞，这主要靠表观遗传记忆。

### 总结
| 层面 | 是否“一样”？ | 说明 |
| :--- | :--- | :--- |
| **DNA序列（基因组）** | **基本一样** | 除免疫细胞、生殖细胞等特例外，体细胞拥有相同的全套DNA蓝图。 |
| **基因表达（使用哪些基因）** | **完全不一样** | 细胞分化的核心。不同细胞开启不同的基因组合，执行特定功能。 |
| **表观遗传修饰（基因开关标记）** | **很不一样** | 决定并维持细胞类型的关键“记忆”系统。 |
| **DNA的物理状态** | **不一样** | 有些细胞（如成熟红细胞）没有细胞核；染色体在分裂期和间期的折叠方式也不同。 |

所以，更科学的结论是：**多细胞生物通过一套精密的调控系统，让拥有相同DNA蓝图的细胞，通过差异化的基因表达和表观遗传修饰，分化成功能各异的细胞类型，从而构建出复杂的生命体。** “DNA一样”是基础，但“**如何使用DNA**”才是生命多样性和复杂性的精髓所在。

---

4. 飞哥总结 📝

今天我们学习了 LangChain 的 Chains (链)。

核心三要点：

1. LLMChain 是原子：最基本的“Prompt + LLM”单元。
2. SequentialChain 是流水线：把简单的任务串起来，实现复杂逻辑。
3. RouterChain 是大脑：根据问题类型，智能选择处理路径。

一句话记住它：

Chain 让 AI 不再只能做单选题（一次问答），而是能做复杂的综合题（多步推理、分工合作）。

下一讲，我们将进入一个非常实用的领域 —— Q&A over Documents (文档问答/RAG)，看怎么让 AI 学会查阅你的私有文档！🚀