【LangChain+RAG实战宝典 10】链（Chains）的构建与组合（端到端RAG闭环）

文章目录前言【LangChain+RAG实战宝典 10】链（Chains）的构建与组合（端到端RAG闭环）摘要一、什么是链？为什么RAG离不开链？1.1 链的核心定义1.2 无链 vs 有链（代码对比）1.3 链的核心价值二、基础链：从零搭建简单工作流2.1 LLMChain：最基础的单步链（提示词+模型）2.2 SequentialChain：多链顺序串联2.3 TransformChain：自定义数据转换链三、高级链：RouterChain 智能路由链3.1 核心原理3.2 实战：多场景智能路由问答四、RAG核心实战：RetrievalQA 检索问答链4.1 完整实战代码（从向量库到问答链）4.2 chain_type 四种文档处理策略（核心选型）4.3 自定义提示词（约束LLM行为）五、链的组合与调试（工程化必备）5.1 LCEL管道式组合（新版LangChain主推）5.2 链的调试技巧5.3 链的输入输出规范六、小结下篇预告✍️ 专栏互动思考题前言前9篇我们已经逐一掌握了RAG的所有核心组件：文档加载、文本分割、向量嵌入、向量存储、检索器。但这些组件都是独立模块，无法直接响应用户的端到端提问。想要实现「用户输入问题→自动检索知识库→LLM生成答案」的完整流程，就必须依靠链（Chain）将所有模块串联封装。链是LangChain的工作流核心，也是搭建可落地AI应用的关键一步。本文从基础链到高级路由链，再到RAG专属的RetrievalQA链，带你彻底掌握链的构建、组合与调试，完成端到端RAG系统闭环。【LangChain+RAG实战宝典 10】链（Chains）的构建与组合（端到端RAG闭环）专栏导语：前9篇我们已经逐一掌握了RAG的所有核心组件：文档加载、文本分割、向量嵌入、向量存储、检索器。但这些组件都是独立模块，无法直接响应用户的端到端提问。想要实现「用户输入问题→自动检索知识库→LLM生成答案」的完整流程，就必须依靠链（Chain）将所有模块串联封装。链是LangChain的工作流核心，也是搭建可落地AI应用的关键一步。本文从基础链到高级路由链，再到RAG专属的RetrievalQA链，带你彻底掌握链的构建、组合与调试，完成端到端RAG系统闭环。摘要本文为《LangChain+RAG实战宝典》系列第十篇，聚焦LangChain核心工作流抽象——链（Chains）。文章先明确链的定义与核心价值，详解LLMChain、SequentialChain、TransformChain三大基础链的用法与实战；讲解RouterChain路由链的分支逻辑，实现多场景智能分流；重点实战RAG必备的RetrievalQA链，拆解chain_type四种文档处理策略；补充新版LangChain主推的LCEL管道式链式写法、链的调试技巧与输入输出规范；完整实现从零散组件到端到端RAG问答链的搭建，为后续添加记忆模块实现多轮对话打下基础。关键词：LangChain；RAG；Chain；LLMChain；RetrievalQA；SequentialChain；RouterChain；LCEL；端到端问答一、什么是链？为什么RAG离不开链？1.1 链的核心定义链（Chain）是LangChain对AI工作流的标准化封装，它将模型、提示词、检索器、解析器、自定义函数等组件，按照固定顺序组合成可执行的流水线。每个组件作为链的一个节点，接收前序节点的输出，处理后传递给下一个节点，最终完成端到端任务。1.2 无链 vs 有链（代码对比）无链（零散代码）：手动调用检索器→拼接提示词→调用LLM→解析结果，代码冗余、复用性差、难以调试；有链（模块化封装）：一行代码调用整个工作流，组件可替换、可复用、可嵌套，工程化极强。1.3 链的核心价值模块化解耦：每个组件独立开发、测试，替换模型/检索器不影响整体流程；可复用嵌套：子链可作为父链的节点，复杂任务拆分为简单子链；标准化执行：统一的invoke/run调用方式，适配同步/异步/流式输出；易于调试：可逐节点打印中间结果，快速定位问题。所有链均继承自BaseChain基类，核心调用方法：invoke(input)：新版标准调用，传入字典格式输入；run(input)：旧版简化调用，仅支持单变量输入；input_keys/output_keys：查看链的输入/输出键，规范接口。二、基础链：从零搭建简单工作流基础链是LangChain的入门核心，覆盖单步调用、多步串联、自定义数据转换三大场景，新版LangChain逐步弃用LLMChain，主推LCEL写法，本文同步保留兼容写法与新版推荐写法。2.1 LLMChain：最基础的单步链（提示词+模型）LLMChain是LangChain最经典的基础链，封装提示词模板+LLM模型，实现单步文本生成。fromdotenvimportload_dotenvfromlangchain_openaiimportChatOpenAIfromlangchain.promptsimportPromptTemplatefromlangchain.chainsimportLLMChain# 加载环境变量load_dotenv()# 1. 初始化LLMllm=ChatOpenAI(model="gpt-3.5-turbo",temperature=0.7)# 2. 定义提示词模板prompt=PromptTemplate(input_variables=["product"],template="请为产品'{product}'创作一句简洁有记忆点的广告语，不超过15字。")# 3. 构建LLMChainchain=LLMChain(llm=llm,prompt=prompt)# 4. 调用链result=chain.run(product="便携咖啡杯")print("广告语：",result)新版LCEL替代写法（推荐）：# LCEL管道式写法，无LLMChain，更简洁fromlangchain_core.output_parsersimportStrOutputParser lcel_chain=prompt|llm|StrOutputParser()result=lcel_chain.invoke({"product":"便携咖啡杯"})print("LCEL生成广告语：",result)2.2 SequentialChain：多链顺序串联SequentialChain用于多步流水线任务，前一个链的输出作为后一个链的输入，适合需要分步生成的场景（如生成产品名→写广告语→做产品介绍）。fromlangchain.chainsimportSequentialChain# 链1：生成产品名称name_chain=LLMChain(llm=llm,prompt=PromptTemplate(input_variables=["category"],template="为{category}品类生成1个创新产品名，仅输出名称。"),output_key=