LangChain 学习笔记 · Day 3-4 多步骤任务编排

🎯 学习目标

1. 理解 LLMChain / SequentialChain 的原理
2. 掌握 LCEL (LangChain Expression Language) 的流水线写法
3. 通过案例：
   • 新闻摘要生成器（要点 → 摘要 → 标题）
   • 翻译 → 摘要 任务编排

🔹 1. Chain 的基本原理

在 LangChain 中，一个 Chain（链） = Prompt + LLM +（可选的输出解析器）。

• Prompt：告诉模型做什么（模板化，支持变量）。
• LLM：调用大语言模型（OpenAI / Kimi / DeepSeek …）。
• Parser：把输出转为字符串、JSON 或结构化数据。

👉 本质就是：

输入变量 → PromptTemplate → LLM 调用 → 输出结果

🔹 2. LCEL（推荐写法）

LangChain Expression Language 提供了声明式、管道式写法：

chain = prompt | llm | StrOutputParser()
result = chain.invoke({"topic": "LangChain 是什么？"})

优势：

• 更简洁（像 Unix 管道 | 一样）
• 更灵活（可组合成复杂工作流）
• 更现代（官方推荐，未来主流）

🔹 3. 案例一：新闻摘要生成器

LCEL 实现

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="kimi-k2-0711-preview", temperature=0.3)

# Step1: 提取要点
prompt_points = ChatPromptTemplate.from_messages([
    ("system", "你是新闻编辑，请提取3~5个关键信息点。"),
    ("user", "新闻全文：{article}")
])
points_chain = prompt_points | llm | StrOutputParser()

# Step2: 生成摘要
prompt_summary = ChatPromptTemplate.from_messages([
    ("system", "你是新闻编辑，请写100~150字中文摘要。"),
    ("user", "要点如下：\n{points}")
])
summary_chain = prompt_summary | llm | StrOutputParser()

# Step3: 生成标题
prompt_title = ChatPromptTemplate.from_messages([
    ("system", "请生成20字以内的中文新闻标题。"),
    ("user", "摘要如下：\n{summary}")
])
title_chain = prompt_title | llm | StrOutputParser()

def summarize_article(article: str):
    points = points_chain.invoke({"article": article})
    summary = summary_chain.invoke({"points": points})
    title = title_chain.invoke({"summary": summary})
    return {"points": points, "summary": summary, "title": title}

🔹 4. 案例二：翻译 → 摘要任务编排

SequentialChain 写法（旧语法）

from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain, SequentialChain

llm = ChatOpenAI(model="kimi-k2-0711-preview", temperature=0.3)

# Step1: 翻译
tpl_translate = PromptTemplate(
    input_variables=["article_en"],
    template="请将以下英文文章翻译成中文：\n{article_en}"
)
translate_chain = LLMChain(llm=llm, prompt=tpl_translate, output_key="article_zh")

# Step2: 摘要
tpl_summary = PromptTemplate(
    input_variables=["article_zh"],
    template="请为以下中文文章写一段100字以内的摘要：\n{article_zh}"
)
summary_chain = LLMChain(llm=llm, prompt=tpl_summary, output_key="summary")

# 顺序链
overall_chain = SequentialChain(
    chains=[translate_chain, summary_chain],
    input_variables=["article_en"],
    output_variables=["article_zh", "summary"],
    verbose=True
)

LCEL 等效写法（推荐）

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="kimi-k2-0711-preview", temperature=0.3)

# Step1: 翻译
prompt_translate = ChatPromptTemplate.from_messages([
    ("system", "请把英文翻译成流畅中文。"),
    ("user", "{article_en}")
])
translate_chain = prompt_translate | llm | StrOutputParser()

# Step2: 摘要
prompt_summary = ChatPromptTemplate.from_messages([
    ("system", "请总结为100字以内中文摘要。"),
    ("user", "{article_zh}")
])
summary_chain = prompt_summary | llm | StrOutputParser()

def pipeline(article_en: str):
    article_zh = translate_chain.invoke({"article_en": article_en})
    summary = summary_chain.invoke({"article_zh": article_zh})
    return {"article_zh": article_zh, "summary": summary}

🔹 5. Day3 vs Day4 对比

• Day 3：手动顺序执行 LCEL 链（新闻摘要器）
• Day 4：学习 LangChain 提供的顺序链工具（SequentialChain），并用 LCEL 重写
• 结论：在 0.3.27 版本里完全可以用 LCEL 来写顺序链，SequentialChain 仅需了解

🔹 6. 今日练习

1. 运行新闻摘要器，尝试不同新闻文本。
2. 运行翻译→摘要流水线，测试长英文文章。
3. 给摘要步骤增加“风格参数”（学术/新闻/轻松），体会 PromptTemplate 灵活性。
4. 挑战：改写为 三步链：英文 → 中文翻译 → 中文摘要 → 中文标题。