一、我一开始对 LangChain 的最大误解

最开始我以为 LangChain 的核心价值是 Prompt。

于是我花了很多时间去调 Prompt，结果跑起来却是这样的：

response = model.invoke(prompt)
print(response.content)

看起来很高级，实际上只是：

“把大模型当成一个特别贵的 print”。

问题不在模型，而在我——

我只学会了“调模型”，没学会“搭流程”。

---

二、什么是 LangChain 的链式调用？

一句话版本：

链式调用（Chain）= 把 Prompt、模型、输出解析、甚至多个步骤串成一条可复用的流水线。

以前我是这样用的：

Prompt → Model → 自己处理字符串

后来我意识到，真正工程化的用法是

Prompt
  ↓
Model
  ↓
Output Parser
  ↓
下一步逻辑（判断 / 入库 / 调用工具）

在 LangChain 里，这条线可以用 LCEL（LangChain Expression Language）​ 一行写完。

---

三、我最早真正“开窍”的一个例子

场景：评论情感分析

❌ 我最开始的写法（别学）

prompt = f"判断评论情感：{comment}"
result = model.invoke(prompt)
print(result.content)

结果是：

“这条评论整体是正面的，因为……”

人能看懂，代码完全没法用。

---

✅ 用链式调用的正确姿

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field

class SentimentResult(BaseModel):
    sentiment: str = Field(description="positive / neutral / negative")
    confidence: float = Field(description="0~1")

parser = PydanticOutputParser(pydantic_object=SentimentResult)

prompt = ChatPromptTemplate.from_template(
    "分析评论情感：\n{comment}\n\n{format_instructions}"
)

chain = (
    prompt.partial(format_instructions=parser.get_format_instructions())
    | model
    | parser
)

调用时：

result = chain.invoke({"comment": "性价比高，就是物流太慢"})
print(result.sentiment)
print(result.confidence)

📌 那一刻我突然明白：

链的意义不是“少写几行代码”，而是“让模型输出变得可依赖”。

---

四、链式调用到底解决了什么痛点？

我总结了三个我最痛的点：

痛点	没有 Chain	用了 Chain
输出不稳定	自己正则硬撸	输出解析器兜底
流程难复用	copy paste Prompt	一条链到处用
多步逻辑乱	if else 堆代码	链天然支持组合

一句话：

Chain 是把“实验性 Prompt”升级成“生产级流程”的关键。

---

五、我最常用的几种链形态

✅ 1. Prompt + Model + Parser（最基础，也是主力）

适合：80% 的业务场景

chain = prompt | model | parser

特点：

• 结构清晰

• 易测试

• 易维护

---

✅ 2. 多步链（Sequential Chain）

比如我先总结，再判断情感：

summary_chain = summary_prompt | model | StrOutputParser()
sentiment_chain = sentiment_prompt | model | parser

text = "..."
summary = summary_chain.invoke({"text": text})
sentiment = sentiment_chain.invoke({"text": summary})

📌 我现在的原则：

一步干一件事，而不是一个 Prompt 干完所有事。

---

✅ 3. 条件分支链（Router Chain）

当用户意图不同时，走不同链：

if category == "refund":
    chain = refund_chain
elif category == "complaint":
    chain = complaint_chain

更高级一点，可以用 RunnableLambda动态路由。

---

六、我踩过的 3 个典型坑

❌ 1. 把链写得太“重”

一个 Prompt 干：

• 分类

• 总结

• 抽取

• 改写

结果：每一步都不稳定

✅ 解法：拆链，拆 Prompt。

---

❌ 2. 忽略输出解析器

chain = prompt | model

然后自己 .split()、.find("JSON")……

✅ 解法：链的最后一定是 parser。

---

❌ 3. 把 LangChain 当“魔法框架”

以为 Chain 会自动帮我：

• 修 Prompt

• 修模型幻觉

• 修业务错误

✅ 现实是：

Chain 只负责“怎么跑”，不负责“跑得对”。

---

七、我现在的 Chain 设计原则

我自己总结的一条经验公式：

清晰的 Prompt + 稳定的 Parser + 单一职责的 Chain = 可用系统

具体落地就是：

• 一个链只做一件事

• 输出一定结构化

• 所有业务判断都基于解析后的数据，而不是原始文本

---

八、一句话总结

**Prompt 决定模型“怎么想”，

Output Parser 决定“能不能用”，

Chain 决定“能不能上线”。**

没有链式调用，LangChain 只是 Prompt 工具；

有了链式调用，它才真正成为 AI 应用骨架。