面试官你怎么理解 LangChain 里的 Chain♂️我Chain 就是把 Prompt 和大模型连起来先拼提示词再让模型回答。面试官这只能算最简单的一条链。检索器、输出解析器、自定义函数能不能进 Chain一个步骤的输出又怎么交给下一个步骤♂️我那就都塞进LLMChain复杂一点再套一个SequentialChainLangChain 主要就是靠这些 Chain 类来编排。面试官你这个答案停在旧版本了。LangChain v1 已经把这些旧式 Chain 移到langchain-classic新代码还应该这么写吗♂️我应该改用 LCEL用|把步骤连起来。不过|可能只是让代码短一点本质上还是按顺序调几个函数吧。面试官又漏了一层。LCEL 组合出来的是 Runnable整条链会获得统一的同步、异步、批处理、流式调用和配置能力。那 Chain、Runnable、LCEL 三者到底是什么关系这道题真正考的不是会不会写一个|而是能不能讲清楚 LangChain 为什么要把一堆零散组件变成一条可组合、可执行、可观测的数据流水线。 简要回答我理解的 Chain不是某一个固定的类而是一种应用编排思路把 Prompt、模型、检索器、输出解析器和自定义逻辑等步骤按照明确的数据流连接起来让上一步的输出成为下一步的输入最终形成一个可以整体执行的流程。在现在的 LangChain 里Chain 最重要的技术基础是Runnable。每个步骤都尽量遵守统一的输入输出和执行接口再通过 LCEL 的|做串行组合或者通过字典、RunnableParallel做并行组合。组合后的整条 Chain 本身仍然是 Runnable所以可以继续嵌套也能统一使用invoke、ainvoke、batch和stream等能力。它的核心设计理念是「组合优于堆积封装」。开发者只关注每一步做什么、数据怎么流动框架负责把执行方式、配置、重试、回退和追踪等通用能力接到整条流程上。需要注意版本边界。LLMChain、SequentialChain属于旧式 Chain APILangChain v1 已把这类能力移入langchain-classic适合维护旧项目不应再作为新项目的首选写法。确定性的线性或分支流程可以用 Runnable 和 LCELAgent 让模型在运行时动态决定下一步带循环、持久状态和人工审批的复杂工作流则更适合用 LangGraph。 详细解析为什么需要 Chain假设我们要做一个最简单的商品评价分类功能。完整过程不是只调用一次模型而是要先清洗用户输入再把变量填进 Prompt调用模型最后把模型返回的消息解析成业务需要的字符串。如果全部手写代码里很快就会出现一堆胶水逻辑这个函数返回字符串下一个函数却要消息对象同步调用写一套异步调用再写一套想加流式输出、批处理、重试和链路追踪又得分别改造每一步。步骤只有三个时还能忍等流程变成「问题改写 - 检索 - 文档整理 - Prompt - 模型 - 结构化解析」维护起来就像拿很多根散落的电线临时接出一台机器。每加一个零件都要重新确认接口能不能接上。Chain 解决的就是这个问题。它先让每个零件暴露相对统一的插口再把它们按照数据流接成一台完整机器。调用方不用逐个驱动内部步骤只需要给整条链输入再从整条链拿输出。所以从业务视角看Chain 是「把多个处理步骤串成一个完整任务」从软件设计视角看它是在做数据流编排和组件组合。Chain 只能线性执行吗很多林友看到 Chain 这个单词会自然地把它理解成从左到右的一根直线。这个直觉只对了一半。最简单的 Chain 确实是线性的例如plaintext用户输入 - Prompt 模板 - Chat Model - 输出解析器 - 字符串答案但真实应用还可能出现并行分支。比如用户问题一边送去知识库检索一边原样保留下来等检索结束后再把「问题」和「上下文」汇合到 Prompt。它也可能根据分类结果走不同分支。 因此更准确的理解是Chain 描述了一张事先确定好的数据流图。节点负责处理数据连接关系决定数据往哪里走。即使某个节点内部调用了生成结果不完全确定的 LLM流程拓扑本身仍然是开发者提前写好的。 这也解释了 Chain 和 Agent 最容易混淆的地方。Chain 通常由开发者决定「下一步调用谁」Agent 则让模型根据当前状态动态决定「下一步做什么工具、是否继续循环」。一个偏确定性编排一个偏运行时决策。 ### Runnable 解决了什么 理解了 Chain 是数据流接下来就有一个关键问题Prompt、模型、检索器和解析器明明不是同一种东西为什么能接在一起 答案就是 Runnable。 不要急着背定义可以把 Runnable 想成 LangChain 给不同组件定的一份「电器插头标准」。组件内部怎么工作可以不同但只要遵守这份标准就能被统一调用也能继续和其他组件组合。 按照当前 langchain-core 的官方参考Runnable 是一个可以调用、批处理、流式处理、转换和组合的工作单元。处理单个输入时使用 invoke 或 ainvoke输入变成一批时接口自然对应为 batch 或 abatch。 如果产品需要边生成边展示可以使用 stream 或 astream但前提是内部组件真正支持流式处理。执行方式统一以后with_config、with_retry 和 with_fallbacks 才能继续在同一抽象上附加配置、重试和降级能力。 这里最巧妙的地方是「组合后的结果仍然是 Runnable」。两个组件接成一条小链后这条小链又可以作为一个普通步骤接到更大的链里。就像乐高积木两个小块拼成一辆小车小车还可以继续成为整座城市的一部分。  Runnable 还暴露输入、输出和配置的 schema并允许通过 config 携带标签、元数据等信息。这些能力让框架更容易检查数据契约也方便 LangSmith 之类的追踪系统识别整条调用链里的父子运行关系。 不过别把 Runnable 理解成魔法。前一个步骤输出什么类型后一个步骤就必须能够接住什么类型。ChatPromptTemplate 通常接收字典Chat Model 接收格式化后的 Prompt Value 或消息StrOutputParser 接收模型消息并输出字符串。类型接不上链照样会在运行时报错。 ### LCEL 不只是语法糖 LCEL 全称是 LangChain Expression Language。它最显眼的写法是用 | 把 Runnable 接起来。 为什么用一个符号值得单独起名字因为这不是普通的 Python 管道也不只是一颗语法糖。prompt | model | parser 声明的是三个 Runnable 的组合关系LangChain 会据此构造一个 RunnableSequence。在这个序列里前一步的输出会作为后一步的输入。  下面用当前推荐方式写一条可以直接理解的链 plaintext from langchain.chat_models import init_chat_modelfrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.prompts import ChatPromptTemplate# Prompt 本身就是 Runnable输入是包含 product 和 review 的字典prompt ChatPromptTemplate.from_messages( [ ( system, 你是商品评价分类助手只回答 positive、neutral 或 negative。, ), (human, 商品{product}\n评价{review}), ])# 使用 LangChain v1 提供的统一模型初始化入口# 运行前需要安装对应 Provider 包并配置 OPENAI_API_KEYmodel init_chat_model(openai:gpt-5.5, temperature0)# LCEL 会把三个步骤组合为 RunnableSequence# 数据依次经过 Prompt - 模型 - 字符串解析器chain prompt | model | StrOutputParser()# 整条 chain 仍然是 Runnable可以通过统一接口执行result chain.invoke( { product: 机械键盘, review: 手感不错但空格键声音有点大。, })print(result)这段代码里chain不是执行结果而是一份已经组装好的「可执行流程」。只有调用invoke时数据才真正从左向右流动。如果要异步调用不用重写内部流程只需要改成await chain.ainvoke(...)。批量处理可以调用chain.batch([...])流式输出可以遍历chain.stream(...)。这种统一执行方式才是 LCEL 比手写函数嵌套更有价值的地方。不过流式能力有一个容易被说得太满的细节。RunnableSequence会尽量保留各组件的流式能力但如果中间某个组件不支持流式转换输出就要等它完成后才能继续流出。例如普通RunnableLambda默认不实现流式转换把它放错位置就可能推迟首个输出块。如何并行与汇合真实的 RAG 链为什么也能用 LCEL 表达关键是 Runnable 不只支持串行还支持并行。比如同一篇文章我们既想让模型生成摘要又想让模型给出标题。两个任务互不依赖没必要先后等待。可以使用RunnableParallel把同一个输入同时送到两条子链from langchain.chat_modelsimportinit_chat_modelfromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.runnablesimportRunnableParallelmodelinit_chat_model(openai:gpt-5.5,temperature0)parserStrOutputParser()# 两个分支接收相同的输入字典但分别执行不同任务summary_chain(ChatPromptTemplate.from_template(用两句话总结这篇文章\n{article})|model|parser)title_chain(ChatPromptTemplate.from_template(为这篇文章起一个简洁标题\n{article})|model|parser)# 并行运行两个子链最后把结果汇合成一个字典chainRunnableParallel(summarysummary_chain,titletitle_chain,)resultchain.invoke({article:这里放待处理的文章正文})print(result[title])print(result[summary])RunnableSequence解决「先做 A再做 B」RunnableParallel解决「把相同输入同时交给 A 和 B」。二者组合起来就能表达不少固定流程。在 LCEL 里字典也可以在组合上下文中被自动转换为RunnableParallel。不过面试讲原理时建议先说清楚显式类名再补充字典简写。这样面试官能确认你知道背后真正生成了什么而不是只记住了一个看起来很酷的写法。为什么统一协议能不断扩展如果面试官继续问「为什么 LangChain 要这么设计」只说方便串起来还不够。真正值得理解的是一套统一协议如何让小流程逐渐长成大流程。起点是可组合。每个步骤只处理自己的输入和输出小链可以继续组成大链。开发者能够替换某个模型、解析器或检索器而不必推翻整条业务流程这就降低了组件之间的耦合。但组件只是能接在一起还不够。如果每种组件都有完全不同的调用方式组合只能停留在表面。Runnable 继续把单次、异步、批量和流式等执行方式收拢到统一接口上组合后的流程才有机会继承这些能力。当然最终效果仍取决于内部组件是否真正支持对应模式。接口统一后LCEL 才能进一步把代码写成声明式数据流。开发者主要表达「数据先去哪再去哪」不用把线程调度、回调传递和中间结果搬运混在业务逻辑里读代码时也能直接看出流程结构。有了清楚的流程结构重试、回退、标签、元数据和追踪这类横切能力就能复用不需要每个业务函数各写一遍。它们可以附着在某个 Runnable也可以作用于整条链。生产环境排查问题时我们看到的不再只是最终报错而是这次运行究竟经过了哪些子步骤。为什么弃用旧式 Chain这一段是现在面试最容易踩的版本坑。早期 LangChain 提供了大量面向具体场景的类。LLMChain常用于封装 Prompt 加模型SequentialChain用于把多条旧式 Chain 顺序连接。它们在老项目和老教程里非常常见所以很多人会误以为这就是今天的标准答案。但框架后来遇到了一个问题专用 Chain 类越来越多每个类的输入字段、返回结构和扩展方式不完全一致。开发者既要记住大量类名又很难把它们自由拼装。Runnable 和 LCEL 的方向是把重心从「为每个场景造一个专用类」转向「提供少量统一原语让开发者自己组合」。LLMChain(promptprompt, llmmodel)能做的事情现在通常直接写成prompt | model | parser数据流更清楚组合能力也更一致。截至 2026 年 7 月LangChain v1 迁移指南已经把旧式 chains 明确移到langchain-classic其中包括LLMChain、ConversationChain和SequentialChain等旧 API。它们不是突然不能运行了。维护旧系统时仍可以安装兼容包但新项目不应该因为看到旧教程就继续把这些旧式 Chain 当成首选。因此看到老代码里的LLMChain和SequentialChain我们要能读懂它们过去解决了什么问题真正写新代码时则优先使用 Runnable 与 LCEL 表达固定数据流。如果下一步由模型动态决定就从 LangChain v1 的create_agent开始。等流程的核心难点变成循环、持久状态、暂停恢复或人工审批再进一步使用 LangGraph。这个选择顺序比背一组新旧类名更重要。三种编排方式怎么选Chain 好用是不是所有流程都应该塞进一条超长 LCEL当然不是。如果步骤和数据流在编码时就能确定比如文本清洗、检索增强问答、分类后解析Runnable 和 LCEL 通常很合适。它们结构直接调用方式统一也容易追踪。如果下一步取决于模型的动态判断例如模型要自己选择搜索、计算器还是数据库工具并可能重复多轮问题就从「固定数据流」变成了「Agent 循环」。在 LangChain v1 中官方推荐用create_agent构建标准 Agent这套 Agent 架构运行在 LangGraph 之上。如果我们还要精确控制循环、分支、状态持久化、失败恢复和人工介入那就进一步使用 LangGraph 的底层图编排能力。LangGraph 并不是为了取代每一条简单 Chain而是处理 Chain 难以清楚表达的长时、有状态工作流。可以用一个判断方法开发前就知道下一步去哪里优先考虑 Chain运行时要由模型决定下一步考虑 Agent流程需要显式状态图和恢复能力考虑 LangGraph。哪些理解容易走偏最容易出现的偏差是把 Chain 缩小成「一次 LLM 调用」或某个具体的LLMChain类。一次模型调用只能算流程中的一个节点旧类也只是早期实现。今天谈 Chain重点应该放在如何用 Runnable 组织完整数据流再补充旧 API 的迁移状态。理解了这一点就不会把|当成自动修好一切的魔法。LCEL 负责组合却不会猜测业务语义。上一步输出与下一步输入不匹配时仍要用RunnableLambda、RunnablePassthrough、itemgetter或显式转换函数整理数据。同样统一接口只代表调用方式一致不代表内部组件天然拥有相同能力。某一步不支持流式转换整条链的首个输出就可能被推迟模型没有服务端批处理能力调用batch也不会凭空获得最优性能。最后再回到控制权。Chain 的连接关系通常由代码预先确定Agent 的动作路径则可能由模型在运行中选择。二者可以组合但不能因为都调用了模型就把固定数据流和动态决策循环混为一谈。 面试总结回到开头的问题面试官问 Chain不是想听一句「把 Prompt 和模型串起来」也不是想让我们背LLMChain的构造参数。一个完整的回答应该先说 Chain 是确定性的数据流编排把多个步骤组合成一个可以整体调用的流程。再往下落到现代实现说明 Runnable 是统一执行与组合接口LCEL 是声明组合关系的表达方式|通常生成RunnableSequence并行分支可以用RunnableParallel。接着点出它的设计价值组件可以替换小链可以继续嵌套整条流程能共享同步、异步、批处理、流式、重试、回退和追踪等能力同时也要承认类型适配与真实流式能力仍取决于具体组件。最后一定补上版本意识。LLMChain、SequentialChain已是 legacy chainsLangChain v1 将它们移入langchain-classic。新项目写固定流程优先使用 Runnable 与 LCEL动态工具决策使用create_agent复杂有状态编排再使用 LangGraph。能把「Chain 是什么」「Runnable 怎么支撑它」「LCEL 为什么有价值」「旧 API 现在在哪里」这四层讲清楚这道题就不只是会用框架而是真正理解了它的设计。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
面试官你怎么理解 LangChain 里的 Chain♂️我Chain 就是把 Prompt 和大模型连起来先拼提示词再让模型回答。面试官这只能算最简单的一条链。检索器、输出解析器、自定义函数能不能进 Chain一个步骤的输出又怎么交给下一个步骤♂️我那就都塞进LLMChain复杂一点再套一个SequentialChainLangChain 主要就是靠这些 Chain 类来编排。面试官你这个答案停在旧版本了。LangChain v1 已经把这些旧式 Chain 移到langchain-classic新代码还应该这么写吗♂️我应该改用 LCEL用|把步骤连起来。不过|可能只是让代码短一点本质上还是按顺序调几个函数吧。面试官又漏了一层。LCEL 组合出来的是 Runnable整条链会获得统一的同步、异步、批处理、流式调用和配置能力。那 Chain、Runnable、LCEL 三者到底是什么关系这道题真正考的不是会不会写一个|而是能不能讲清楚 LangChain 为什么要把一堆零散组件变成一条可组合、可执行、可观测的数据流水线。 简要回答我理解的 Chain不是某一个固定的类而是一种应用编排思路把 Prompt、模型、检索器、输出解析器和自定义逻辑等步骤按照明确的数据流连接起来让上一步的输出成为下一步的输入最终形成一个可以整体执行的流程。在现在的 LangChain 里Chain 最重要的技术基础是Runnable。每个步骤都尽量遵守统一的输入输出和执行接口再通过 LCEL 的|做串行组合或者通过字典、RunnableParallel做并行组合。组合后的整条 Chain 本身仍然是 Runnable所以可以继续嵌套也能统一使用invoke、ainvoke、batch和stream等能力。它的核心设计理念是「组合优于堆积封装」。开发者只关注每一步做什么、数据怎么流动框架负责把执行方式、配置、重试、回退和追踪等通用能力接到整条流程上。需要注意版本边界。LLMChain、SequentialChain属于旧式 Chain APILangChain v1 已把这类能力移入langchain-classic适合维护旧项目不应再作为新项目的首选写法。确定性的线性或分支流程可以用 Runnable 和 LCELAgent 让模型在运行时动态决定下一步带循环、持久状态和人工审批的复杂工作流则更适合用 LangGraph。 详细解析为什么需要 Chain假设我们要做一个最简单的商品评价分类功能。完整过程不是只调用一次模型而是要先清洗用户输入再把变量填进 Prompt调用模型最后把模型返回的消息解析成业务需要的字符串。如果全部手写代码里很快就会出现一堆胶水逻辑这个函数返回字符串下一个函数却要消息对象同步调用写一套异步调用再写一套想加流式输出、批处理、重试和链路追踪又得分别改造每一步。步骤只有三个时还能忍等流程变成「问题改写 - 检索 - 文档整理 - Prompt - 模型 - 结构化解析」维护起来就像拿很多根散落的电线临时接出一台机器。每加一个零件都要重新确认接口能不能接上。Chain 解决的就是这个问题。它先让每个零件暴露相对统一的插口再把它们按照数据流接成一台完整机器。调用方不用逐个驱动内部步骤只需要给整条链输入再从整条链拿输出。所以从业务视角看Chain 是「把多个处理步骤串成一个完整任务」从软件设计视角看它是在做数据流编排和组件组合。Chain 只能线性执行吗很多林友看到 Chain 这个单词会自然地把它理解成从左到右的一根直线。这个直觉只对了一半。最简单的 Chain 确实是线性的例如plaintext用户输入 - Prompt 模板 - Chat Model - 输出解析器 - 字符串答案但真实应用还可能出现并行分支。比如用户问题一边送去知识库检索一边原样保留下来等检索结束后再把「问题」和「上下文」汇合到 Prompt。它也可能根据分类结果走不同分支。 因此更准确的理解是Chain 描述了一张事先确定好的数据流图。节点负责处理数据连接关系决定数据往哪里走。即使某个节点内部调用了生成结果不完全确定的 LLM流程拓扑本身仍然是开发者提前写好的。 这也解释了 Chain 和 Agent 最容易混淆的地方。Chain 通常由开发者决定「下一步调用谁」Agent 则让模型根据当前状态动态决定「下一步做什么工具、是否继续循环」。一个偏确定性编排一个偏运行时决策。 ### Runnable 解决了什么 理解了 Chain 是数据流接下来就有一个关键问题Prompt、模型、检索器和解析器明明不是同一种东西为什么能接在一起 答案就是 Runnable。 不要急着背定义可以把 Runnable 想成 LangChain 给不同组件定的一份「电器插头标准」。组件内部怎么工作可以不同但只要遵守这份标准就能被统一调用也能继续和其他组件组合。 按照当前 langchain-core 的官方参考Runnable 是一个可以调用、批处理、流式处理、转换和组合的工作单元。处理单个输入时使用 invoke 或 ainvoke输入变成一批时接口自然对应为 batch 或 abatch。 如果产品需要边生成边展示可以使用 stream 或 astream但前提是内部组件真正支持流式处理。执行方式统一以后with_config、with_retry 和 with_fallbacks 才能继续在同一抽象上附加配置、重试和降级能力。 这里最巧妙的地方是「组合后的结果仍然是 Runnable」。两个组件接成一条小链后这条小链又可以作为一个普通步骤接到更大的链里。就像乐高积木两个小块拼成一辆小车小车还可以继续成为整座城市的一部分。  Runnable 还暴露输入、输出和配置的 schema并允许通过 config 携带标签、元数据等信息。这些能力让框架更容易检查数据契约也方便 LangSmith 之类的追踪系统识别整条调用链里的父子运行关系。 不过别把 Runnable 理解成魔法。前一个步骤输出什么类型后一个步骤就必须能够接住什么类型。ChatPromptTemplate 通常接收字典Chat Model 接收格式化后的 Prompt Value 或消息StrOutputParser 接收模型消息并输出字符串。类型接不上链照样会在运行时报错。 ### LCEL 不只是语法糖 LCEL 全称是 LangChain Expression Language。它最显眼的写法是用 | 把 Runnable 接起来。 为什么用一个符号值得单独起名字因为这不是普通的 Python 管道也不只是一颗语法糖。prompt | model | parser 声明的是三个 Runnable 的组合关系LangChain 会据此构造一个 RunnableSequence。在这个序列里前一步的输出会作为后一步的输入。  下面用当前推荐方式写一条可以直接理解的链 plaintext from langchain.chat_models import init_chat_modelfrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.prompts import ChatPromptTemplate# Prompt 本身就是 Runnable输入是包含 product 和 review 的字典prompt ChatPromptTemplate.from_messages( [ ( system, 你是商品评价分类助手只回答 positive、neutral 或 negative。, ), (human, 商品{product}\n评价{review}), ])# 使用 LangChain v1 提供的统一模型初始化入口# 运行前需要安装对应 Provider 包并配置 OPENAI_API_KEYmodel init_chat_model(openai:gpt-5.5, temperature0)# LCEL 会把三个步骤组合为 RunnableSequence# 数据依次经过 Prompt - 模型 - 字符串解析器chain prompt | model | StrOutputParser()# 整条 chain 仍然是 Runnable可以通过统一接口执行result chain.invoke( { product: 机械键盘, review: 手感不错但空格键声音有点大。, })print(result)这段代码里chain不是执行结果而是一份已经组装好的「可执行流程」。只有调用invoke时数据才真正从左向右流动。如果要异步调用不用重写内部流程只需要改成await chain.ainvoke(...)。批量处理可以调用chain.batch([...])流式输出可以遍历chain.stream(...)。这种统一执行方式才是 LCEL 比手写函数嵌套更有价值的地方。不过流式能力有一个容易被说得太满的细节。RunnableSequence会尽量保留各组件的流式能力但如果中间某个组件不支持流式转换输出就要等它完成后才能继续流出。例如普通RunnableLambda默认不实现流式转换把它放错位置就可能推迟首个输出块。如何并行与汇合真实的 RAG 链为什么也能用 LCEL 表达关键是 Runnable 不只支持串行还支持并行。比如同一篇文章我们既想让模型生成摘要又想让模型给出标题。两个任务互不依赖没必要先后等待。可以使用RunnableParallel把同一个输入同时送到两条子链from langchain.chat_modelsimportinit_chat_modelfromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.runnablesimportRunnableParallelmodelinit_chat_model(openai:gpt-5.5,temperature0)parserStrOutputParser()# 两个分支接收相同的输入字典但分别执行不同任务summary_chain(ChatPromptTemplate.from_template(用两句话总结这篇文章\n{article})|model|parser)title_chain(ChatPromptTemplate.from_template(为这篇文章起一个简洁标题\n{article})|model|parser)# 并行运行两个子链最后把结果汇合成一个字典chainRunnableParallel(summarysummary_chain,titletitle_chain,)resultchain.invoke({article:这里放待处理的文章正文})print(result[title])print(result[summary])RunnableSequence解决「先做 A再做 B」RunnableParallel解决「把相同输入同时交给 A 和 B」。二者组合起来就能表达不少固定流程。在 LCEL 里字典也可以在组合上下文中被自动转换为RunnableParallel。不过面试讲原理时建议先说清楚显式类名再补充字典简写。这样面试官能确认你知道背后真正生成了什么而不是只记住了一个看起来很酷的写法。为什么统一协议能不断扩展如果面试官继续问「为什么 LangChain 要这么设计」只说方便串起来还不够。真正值得理解的是一套统一协议如何让小流程逐渐长成大流程。起点是可组合。每个步骤只处理自己的输入和输出小链可以继续组成大链。开发者能够替换某个模型、解析器或检索器而不必推翻整条业务流程这就降低了组件之间的耦合。但组件只是能接在一起还不够。如果每种组件都有完全不同的调用方式组合只能停留在表面。Runnable 继续把单次、异步、批量和流式等执行方式收拢到统一接口上组合后的流程才有机会继承这些能力。当然最终效果仍取决于内部组件是否真正支持对应模式。接口统一后LCEL 才能进一步把代码写成声明式数据流。开发者主要表达「数据先去哪再去哪」不用把线程调度、回调传递和中间结果搬运混在业务逻辑里读代码时也能直接看出流程结构。有了清楚的流程结构重试、回退、标签、元数据和追踪这类横切能力就能复用不需要每个业务函数各写一遍。它们可以附着在某个 Runnable也可以作用于整条链。生产环境排查问题时我们看到的不再只是最终报错而是这次运行究竟经过了哪些子步骤。为什么弃用旧式 Chain这一段是现在面试最容易踩的版本坑。早期 LangChain 提供了大量面向具体场景的类。LLMChain常用于封装 Prompt 加模型SequentialChain用于把多条旧式 Chain 顺序连接。它们在老项目和老教程里非常常见所以很多人会误以为这就是今天的标准答案。但框架后来遇到了一个问题专用 Chain 类越来越多每个类的输入字段、返回结构和扩展方式不完全一致。开发者既要记住大量类名又很难把它们自由拼装。Runnable 和 LCEL 的方向是把重心从「为每个场景造一个专用类」转向「提供少量统一原语让开发者自己组合」。LLMChain(promptprompt, llmmodel)能做的事情现在通常直接写成prompt | model | parser数据流更清楚组合能力也更一致。截至 2026 年 7 月LangChain v1 迁移指南已经把旧式 chains 明确移到langchain-classic其中包括LLMChain、ConversationChain和SequentialChain等旧 API。它们不是突然不能运行了。维护旧系统时仍可以安装兼容包但新项目不应该因为看到旧教程就继续把这些旧式 Chain 当成首选。因此看到老代码里的LLMChain和SequentialChain我们要能读懂它们过去解决了什么问题真正写新代码时则优先使用 Runnable 与 LCEL 表达固定数据流。如果下一步由模型动态决定就从 LangChain v1 的create_agent开始。等流程的核心难点变成循环、持久状态、暂停恢复或人工审批再进一步使用 LangGraph。这个选择顺序比背一组新旧类名更重要。三种编排方式怎么选Chain 好用是不是所有流程都应该塞进一条超长 LCEL当然不是。如果步骤和数据流在编码时就能确定比如文本清洗、检索增强问答、分类后解析Runnable 和 LCEL 通常很合适。它们结构直接调用方式统一也容易追踪。如果下一步取决于模型的动态判断例如模型要自己选择搜索、计算器还是数据库工具并可能重复多轮问题就从「固定数据流」变成了「Agent 循环」。在 LangChain v1 中官方推荐用create_agent构建标准 Agent这套 Agent 架构运行在 LangGraph 之上。如果我们还要精确控制循环、分支、状态持久化、失败恢复和人工介入那就进一步使用 LangGraph 的底层图编排能力。LangGraph 并不是为了取代每一条简单 Chain而是处理 Chain 难以清楚表达的长时、有状态工作流。可以用一个判断方法开发前就知道下一步去哪里优先考虑 Chain运行时要由模型决定下一步考虑 Agent流程需要显式状态图和恢复能力考虑 LangGraph。哪些理解容易走偏最容易出现的偏差是把 Chain 缩小成「一次 LLM 调用」或某个具体的LLMChain类。一次模型调用只能算流程中的一个节点旧类也只是早期实现。今天谈 Chain重点应该放在如何用 Runnable 组织完整数据流再补充旧 API 的迁移状态。理解了这一点就不会把|当成自动修好一切的魔法。LCEL 负责组合却不会猜测业务语义。上一步输出与下一步输入不匹配时仍要用RunnableLambda、RunnablePassthrough、itemgetter或显式转换函数整理数据。同样统一接口只代表调用方式一致不代表内部组件天然拥有相同能力。某一步不支持流式转换整条链的首个输出就可能被推迟模型没有服务端批处理能力调用batch也不会凭空获得最优性能。最后再回到控制权。Chain 的连接关系通常由代码预先确定Agent 的动作路径则可能由模型在运行中选择。二者可以组合但不能因为都调用了模型就把固定数据流和动态决策循环混为一谈。 面试总结回到开头的问题面试官问 Chain不是想听一句「把 Prompt 和模型串起来」也不是想让我们背LLMChain的构造参数。一个完整的回答应该先说 Chain 是确定性的数据流编排把多个步骤组合成一个可以整体调用的流程。再往下落到现代实现说明 Runnable 是统一执行与组合接口LCEL 是声明组合关系的表达方式|通常生成RunnableSequence并行分支可以用RunnableParallel。接着点出它的设计价值组件可以替换小链可以继续嵌套整条流程能共享同步、异步、批处理、流式、重试、回退和追踪等能力同时也要承认类型适配与真实流式能力仍取决于具体组件。最后一定补上版本意识。LLMChain、SequentialChain已是 legacy chainsLangChain v1 将它们移入langchain-classic。新项目写固定流程优先使用 Runnable 与 LCEL动态工具决策使用create_agent复杂有状态编排再使用 LangGraph。能把「Chain 是什么」「Runnable 怎么支撑它」「LCEL 为什么有价值」「旧 API 现在在哪里」这四层讲清楚这道题就不只是会用框架而是真正理解了它的设计。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
