实践：实现多步链

LangChain 链允许以设定的顺序连接多个对 LLM 或其他组件的调用。这项能力对于构建需要不止一次语言模型交互的应用是十分重要的。

在此动手练习中，我们将构建一个 SequentialChain。这种类型的链会按顺序执行其组成链，并将一个链的输出作为下一个链的输入。我们的目标是创建一个两步工作流程：

1. 第一步： 给定一个话题（例如，一项特定技术），为其博客文章生成一个简短、吸引人的标题。
2. 第二步： 给出生成的标题，撰写一条简短的推文（280字符以内）来公告该博客文章。

这需要两次独立的 LLM 交互，其中第二次交互直接依赖于第一次的输出。

前置条件

在开始前，请确保您已按第2章所述设置好 Python 环境，包括：

• LangChain 已安装（pip install langchain langchain-openai）。
• 一个 LLM 提供商库已安装（我们将使用 OpenAI 的，但其他也可以替代）。
• 您的 API 密钥已安全配置（例如，使用环境变量）。

# 基本导入和环境设置
import os
from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain, SequentialChain

# 确保您的 OPENAI_API_KEY 环境变量已设置
# 例如：os.environ["OPENAI_API_KEY"] = "您的API密钥"
# 或者使用 python-dotenv 从 .env 文件加载

# 初始化 LLM
# 我们将使用 ChatOpenAI 模型
llm = ChatOpenAI(temperature=0.7, model_name="gpt-3.5-turbo")

注意：如果您之前没有加载环境变量，请记住将 "your_api_key_here" 替换为您的实际密钥。如果需要，请调整 model_name。

步骤 1：定义标题生成链

首先，我们需要一个链，它接收一个技术话题并生成一个合适的博客文章标题。这需要定义一个提示模板和一个 LLMChain。

# --- 链 1：生成博客文章标题 ---

# 用于标题生成的提示模板
title_template_string = """
You are an expert technical writer. Given the following topic, create a catchy and informative blog post title.

Topic: {topic}
Blog Post Title:
"""
title_prompt_template = PromptTemplate(
    input_variables=["topic"],
    template=title_template_string
)

# 创建第一个 LLMChain
# 我们明确将输出键命名为 'blog_title'
title_chain = LLMChain(
    llm=llm,
    prompt=title_prompt_template,
    output_key="blog_title" # 此键保存此链的输出
)

# 独立测试此链（可选）
# result_title = title_chain.invoke({"topic": "Vector Databases"})
# print(f"生成的标题：{result_title['blog_title']}")

这里，我们创建一个 PromptTemplate，它期望一个 topic 变量。然后我们使用我们的 LLM 和此提示实例化 LLMChain。重要地，我们指定了 output_key="blog_title"。这给此链的输出分配了一个名称，对于将其正确传递给序列中的下一个链非常重要。

步骤 2：定义推文生成链

接下来，我们创建一个链，它接收博客文章标题（由第一个链生成）并撰写一条简短的推文来公告它。

# --- 链 2：生成推文 ---

# 用于推文生成的提示模板
tweet_template_string = """
You are a social media expert specializing in tech promotion.
Given the blog post title below, write a concise and engaging tweet (under 280 characters) announcing it.
Include relevant hashtags.

Blog Post Title: {blog_title}
Tweet:
"""
tweet_prompt_template = PromptTemplate(
    input_variables=["blog_title"], # 输入来自前一个链的输出
    template=tweet_template_string
)

# 创建第二个 LLMChain
# 这里的输出键将是序列的最终输出
tweet_chain = LLMChain(
    llm=llm,
    prompt=tweet_prompt_template,
    output_key="tweet" # 此键保存最终输出
)

# 独立测试此链（可选）
# 示例标题：“解锁语义搜索：向量数据库的应用”
# result_tweet = tweet_chain.invoke({"blog_title": "Unlocking Semantic Search: An Exploration of Vector Databases"})
# print(f"生成的推文：{result_tweet['tweet']}")

此链的 PromptTemplate 期望一个名为 blog_title 的输入变量，这完美匹配我们为 title_chain 定义的 output_key。它自己的输出被命名为 tweet。

步骤 3：使用 SequentialChain 组合链

现在，我们使用 SequentialChain 将这两个链组合成一个工作流程。这个类处理执行顺序以及组成链之间的输出到输入的传递。

# --- 将链组合成一个 SequentialChain ---

# 创建 SequentialChain
# 它接受按顺序运行的链列表
# 输入变量是 *第一个* 链所需的变量
# 输出变量是 *最后一个* 链（或如果需要，中间链）产生的变量
overall_chain = SequentialChain(
    chains=[title_chain, tweet_chain],
    input_variables=["topic"],      # 第一个链（title_chain）所需的输入
    output_variables=["blog_title", "tweet"], # 序列产生的输出
    verbose=True                    # 设置为 True 以查看执行步骤
)

我们以期望的执行顺序提供了链列表（[title_chain, tweet_chain]）。

• input_variables=["topic"]：指定整个顺序链期望的输入。这必须匹配序列中 第一个 链（title_chain）的输入变量。
• output_variables=["blog_title", "tweet"]：列出我们希望 SequentialChain 返回的输出键。这包括最终输出（tweet），也可以选择性地包含中间输出（blog_title）。
• verbose=True：这对于调试很有帮助，因为它会打印关于每个执行步骤的信息。

步骤 4：执行多步链

最后，我们可以通过提供初始输入话题来运行我们的 overall_chain。

# --- 执行顺序链 ---

# 定义输入话题
input_topic = "The role of Embeddings in RAG systems"

# 运行链
# 使用 .invoke() 进行执行
result = overall_chain.invoke({"topic": input_topic})

# 打印结果
print("\n--- 结果 ---")
print(f"输入话题：{input_topic}")
print(f"生成的博客标题：{result['blog_title']}")
print(f"生成的推文：{result['tweet']}")

运行此代码将触发以下顺序：

1. input_topic 被传递给 title_chain。
2. title_chain 使用其提示模板与 LLM 交互并生成一个标题。此标题内部存储并关联到键 blog_title。
3. SequentialChain 自动将与 blog_title 关联的值作为输入传递给 tweet_chain。
4. tweet_chain 使用其提示模板和提供的标题与 LLM 交互，生成一条推文。此推文内部存储并关联到键 tweet。
5. SequentialChain 返回一个包含指定 output_variables 的字典：blog_title 和 tweet。

两步顺序链实现的流程图。

总结

在此练习环节中，您成功使用 LangChain 的 SequentialChain 实现了一个多步工作流程。您定义了单独的 LLMChain 组件，每个负责特定任务，并将它们连接起来，使一个步骤的输出作为下一个步骤的输入。您还了解了正确命名输入和输出变量（input_variables、output_key）对于确保链之间数据流畅通的重要性。

这种模式对于自动化涉及顺序推理 (inference)或生成步骤的流程非常有用，构成构建更复杂 LLM 应用的核心组成部分。您可以通过添加更多链、纳入不同类型的链（如用于数据操作的 TransformChain），或使用更灵活的 SequentialChain 来扩展此功能，后者在需要时可以处理更复杂的输入/输出。