Chain 是 LangChain 中组件串联执行的核心机制，它将多个独立组件（提示词模板、模型、工具等）按顺序连接，前一个组件的输出自动作为下一个组件的输入，实现复杂任务的流水线化处理。
二、核心特性
- 链式语法：通过
|符号快速拼接组件，写法简洁直观
1 | chain = chat_prompt_template | model # 提示词模板 → 模型 |
- 接口约束：参与成链的组件必须是
Runnable接口的子类（如提示词模板、模型、嵌入模型等） - 对象类型：最终形成的链是
RunnableSerializable对象，本身也实现了Runnable接口，可继续参与链式拼接 - 执行触发：通过
invoke()（一次性执行）或stream()（流式执行）触发整个链条运行
三、执行流程
- 输入：传入字典格式参数（如
{"history": "历史对话", "input": "用户问题"}） - 组件 1：提示词模板：将输入参数填充到模板中，生成
PromptValue（完整提示词文本） - 组件 2：模型对象：接收提示词文本，调用大模型生成回复
- 输出：返回模型回复的
AIMessage对象（或流式 chunk）
1 | 输入字典 → chat_prompt_template → PromptValue → model → AIMessage |
四、可加入的组件
LangChain 的链（Chain）本质是 Runnable 接口组件的流水线，只要实现 **Runnable** 接口（或通过封装适配），任何组件 / 逻辑都能加入，以下是完整分类总结（重点补充自定义函数）：
一、可加入 Chain 的核心组件
LangChain 的组件都遵循「输入→处理→输出」的标准化逻辑，核心可接入 Chain 的组件分为以下几类，先明确每类的核心作用和接口：
| 组件类型 | 核心作用 | 标准输入（Input） | 标准输出（Output） |
|---|---|---|---|
| PromptTemplate | 格式化提示词（填充变量） | 字典（如 {"question": "如何学Python？"}） | 字符串（填充后的完整提示词） |
| LLM/ChatModel | 调用大模型（OpenAI / 智谱 / 文心等） | 字符串 / 消息列表（提示词） | 字符串 / BaseMessage（大模型回复） |
| DocumentLoader | 加载外部文档（PDF / 文本 / 网页） | 文件路径 / URL / 配置参数 | Document 列表（含 page_content 字段） |
| TextSplitter | 分割长文本（适配模型上下文窗口） | 字符串 / Document 列表 | Document 列表（分割后的小片段） |
| VectorStore | 向量存储（存储文本嵌入向量） | Document 列表 + Embedding 模型 | 无（存储）/ 相似文档列表（检索时） |
| Retriever | 从向量库检索相似文档 | 查询字符串 | Document 列表（检索到的相关文档） |
| OutputParser | 解析模型输出（转 JSON / 列表 / 自定义格式） | 字符串（模型原始回复） | 字典 / 列表 / 自定义对象（结构化结果） |
| Tool | 调用外部工具（搜索 / 计算 / API） | 工具入参（如 {"query": "2026年GDP"}） | 工具返回结果（字符串 / 字典） |
二、组件的连接方式
连接组件的核心是「让前一个组件的输出，匹配后一个组件的输入」，LangChain 提供了 3 种主流方式，从简单到复杂依次是：
方式 1：基础链式调用（手动拼接，适合新手）
直接通过变量赋值，把前一个组件的输出作为后一个的输入，逻辑最直观。
1 | from langchain.prompts import PromptTemplate |
方式 2：使用 | 管道符（LangChain 推荐，简洁）
LangChain 支持用 | 符号直接串联组件（类似 Linux 管道），自动处理输入输出的适配，是最常用的方式。
1 | # 基于上面的组件，用管道符串联成链 |
核心逻辑：
prompt | llm：Prompt 输出的字符串自动作为 LLM 的输入；llm | output_parser：LLM 输出的 BaseMessage 自动作为 Parser 的输入；- 整个链的输入是 Prompt 所需的字典，输出是 Parser 处理后的字符串。
方式 3：自定义 Chain（适合复杂逻辑）
如果组件间的逻辑不是简单的「一对一」（比如需要分支、循环、多输入），可以继承 BaseChain 自定义。
1 | from langchain_core.chains import BaseChain |
三、复杂场景示例：检索增强生成（RAG）链（多组件串联）
实际开发中最常用的「RAG 链」就是多组件连接的典型，完整示例如下（覆盖加载→分割→检索→调用模型）：
1 | from langchain_community.document_loaders import TextLoader |
关键说明：
RunnablePassthrough()：透传输入变量（比如用户的问题）；lambda x: retriever.invoke(x["question"])：从输入中提取 question，调用检索器得到 context；- 最终给 Prompt 传入
context（检索结果）和question（用户问题），实现多组件的联动。
四、解决组件连接的核心要点
- 输入输出格式匹配：
- 前一个组件的输出必须是后一个的输入格式（比如 Prompt 输出字符串 → LLM 输入字符串）；
- 多输入时用「字典 + lambda/RunnablePassthrough」拆分 / 透传变量。
- 标准化组件：
- 优先使用 LangChain 内置的
Runnable组件（所有核心组件都实现了invoke方法）； - 自定义组件时，实现
invoke方法，保证输入输出标准化。
- 优先使用 LangChain 内置的
- 调试技巧：
- 用
chain.invoke()单步调用，查看每个组件的输出； - 用
chain.get_graph()可视化链的结构，检查连接是否正确。
- 用
