一、单链
1.1 LCEL的语法
| 为关键字，使用 | 作为链接符号
from langchain_core.output_parsers import StrOutputParser
from langchain_ollama import ChatOllama
llm = ChatOllama( model="deepseek-r1:7b")
parser = StrOutputParser() # 加了这段后，会讲Chunk类转化成字符串，也就是获取Chunk类中的content内容chain = prompt | llm | parser # 使用LCEL语法创建链
response = chain.invoke({"input":"宠物"})
print(response)
1.2 LLMChain
LLMChain 是 LangChain 中最基本且最常用的链式结构，广泛应用于 LangChain 的其他复杂链和代理程序中。它由以下两个主要部分组成：
- PromptTemplate：用于定义提示模板，将用户输入动态格式化为语言模型能够理解的提示。
- 语言模型（LLM 或聊天模型）：用于处理格式化后的提示，并生成响应。
from langchain.chains import LLMChain
from langchain_core.prompts import ChatPromptTemplate# 1 实例化模型
llm = ChatOllama( model="deepseek-r1:7b")
# 2 定义模板
prompt = ChatPromptTemplate.from_template("给我取一个关于{input}的店名")# 3 构建Chain，将大模型与prompt组合在一起
chain = LLMChain(prompt=prompt, llm=llm)# 4 执行Chain
response = chain.invoke({"input":"宠物"})
print(response)input_list = [{"input":"宠物"}, {"input":"鲜花"}]
response = chain.apply(input_list) # 批量输出
三、多链组装
将多个链条融合在一起
LangChain 提供了强大的多链功能，允许用户通过组合多个链（Chain）来实现复杂的任务。这些链可以按顺序执行，也可以并行执行，从而实现高效的模型协作和协调
- 串联多个链（Sequential Chains）
通过 SimpleSequentialChain 或管道操作符 |，可以将多个链按顺序串联起来。前一个链的输出会自动作为下一个链的输入。 - LangChain 支持并行执行多个链，这在需要同时处理多个任务时非常有用
- 分支和合并（Branching and Merging） LangChain 支持创建复杂的计算图，允许将一个组件的输出分叉为多个组件的输入，并在后续步骤中合并结
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate
from langchain.chains import SimpleSequentialChain, LLMChainprompt = ChatPromptTemplate.from_template("给我取一个关于{input}的店名")
llm = ChatOllama( model="deepseek-r1:7b")prompt_second = ChatPromptTemplate.from_template("给我的跑车取一个关于{input}的名字")first_chain = LLMChain(prompt=prompt, llm=llm) # 创建第一个链
second_chain = LLMChain(prompt=prompt_second, llm=llm)all_chain = SimpleSequentialChain(chains=[first_chain, second_chain], verbose=True)response = all_chain.invoke({"input":"狗"})
