企业官网建设流程全解析

LLMChain是 LangChain 早期经典链路写法，在 LCEL 管道出现前，是串联提示词 + 大模型的核心组件。下面分基础用法、传参、结合解析器、多示例、对比 LCEL 逐一演示。

环境依赖

bash

运行

pip install langchain langchain-openai

公共导入与模型初始化

python

运行

from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate, PromptTemplate from langchain.chains import LLMChain from langchain_core.output_parsers import StrOutputParser, JsonOutputParser # 初始化大模型 llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

一、基础用法：最简 LLMChain

1. 字符串模板 + LLMChain

python

运行

# 1. 定义提示词模板 prompt = PromptTemplate( input_variables=["question"], # 声明输入变量 template="请简要回答问题：{question}" ) # 2. 实例化 LLMChain chain = LLMChain(llm=llm, prompt=prompt) # 3. 执行调用，传入参数字典 result = chain.invoke({"question": "Python 是什么？"}) # 打印结果 print("完整返回：", result) print("模型回答：", result["text"])

返回说明：chain.invoke()返回字典，默认模型输出存在text键中。

2. ChatPromptTemplate 对话模板（推荐）

适配聊天模型，写法更贴合对话场景：

python

运行

# 对话风格提示词 chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一名技术助手，回答简洁明了"), ("user", "{query}") ]) # 构建链 chain = LLMChain(llm=llm, prompt=chat_prompt) # 执行 res = chain.run(query="什么是 LLMChain？") # 简易 run 方法，直接传参数 print(res)

• chain.run(变量值)：简易调用，适合单变量场景；
• chain.invoke(字典)：标准调用，支持多变量。

二、多输入变量场景

模板包含多个占位符，同时传入多个参数：

python

运行

# 多变量模板 prompt = PromptTemplate( input_variables=["name", "skill"], template="姓名：{name}，擅长技能：{skill}，请用一句话介绍这个人" ) chain = LLMChain(llm=llm, prompt=prompt) # 传入多个变量 res = chain.invoke({ "name": "张三", "skill": "Python 开发、大模型应用" }) print(res["text"])

三、LLMChain 搭配输出解析器

和解析器结合，实现结构化输出（JSON / 字符串）：

示例 1：搭配 StrOutputParser

python

运行

prompt = PromptTemplate(template="总结下文内容：{content}", input_variables=["content"]) parser = StrOutputParser() # 组合：LLMChain + 解析器 chain = LLMChain(llm=llm, prompt=prompt) | parser # 调用，直接得到字符串（不再是字典） result = chain.invoke({"content": "LLMChain 是 LangChain 早期的链路组件，用于串联提示词与大模型。"}) print(result)

示例 2：搭配 JsonOutputParser 输出 JSON

python

运行

prompt = PromptTemplate( input_variables=["info"], template=""" 解析人物信息，只返回标准JSON，字段：name, age 内容：{info} """ ) json_parser = JsonOutputParser() # 链路组合 chain = LLMChain(llm=llm, prompt=prompt) | json_parser # 调用，直接得到字典 data = chain.invoke({"info": "李四，26岁"}) print(type(data), data)

四、批量执行

使用chain.batch()批量处理多组输入：

python

运行

prompt = PromptTemplate(input_variables=["q"], template="回答问题：{q}") chain = LLMChain(llm=llm, prompt=prompt) # 批量输入列表 batch_inputs = [ {"q": "1+1等于几"}, {"q": "地球是什么形状"} ] # 批量调用 batch_results = chain.batch(batch_inputs) for idx, item in enumerate(batch_results): print(f"问题{idx+1}回答：{item['text']}")

五、传统 LLMChain 嵌套（复杂流程）

早期实现多步骤流程需要链式嵌套，写法相比 LCEL 更繁琐：

python

运行

# 第一步：提取关键词 prompt1 = PromptTemplate(input_variables=["text"], template="提取关键词：{text}") chain1 = LLMChain(llm=llm, prompt=prompt1) # 第二步：根据关键词写短句 prompt2 = PromptTemplate(input_variables=["kw"], template="根据关键词写一句话：{kw}") chain2 = LLMChain(llm=llm, prompt=prompt2) # 手动串联：取上一步结果，传给下一步 text = "人工智能赋能传统行业" res1 = chain1.invoke({"text": text}) kw = res1["text"] res2 = chain2.invoke({"kw": kw}) print("关键词：", kw) print("最终句子：", res2["text"])

缺点：需要手动取值、传参，链路越长代码越臃肿。

六、LLMChain 与 LCEL 管道 写法对比

同一功能，两种实现直观对比：

1. LLMChain 写法

python

运行

prompt = ChatPromptTemplate.from_messages([("user", "回答：{question}")]) chain = LLMChain(llm=llm, prompt=prompt) res = chain.invoke({"question": "介绍大模型"}) print(res["text"])

2. 等效 LCEL 管道写法（官方主推）

python

运行

prompt = ChatPromptTemplate.from_messages([("user", "回答：{question}")]) chain = prompt | llm | StrOutputParser() res = chain.invoke({"question": "介绍大模型"}) print(res)

七、核心特点总结

1. 核心结构：LLMChain = 提示词模板 + 大模型，是最基础的执行链；
2. 返回值：原生返回字典，模型输出默认在text字段；
3. 调用方式：
   • invoke(字典)：标准调用
   • run(变量)：简易单参数调用
   • batch(列表)：批量调用
4. 优缺点
   • 优点：入门简单，历史项目大量使用，兼容性好；
   • 缺点：多步骤流程需要手动传参、代码冗余，原生流式、并行支持弱，复杂链路维护成本高；
5. 现状：LangChain 官方现已推荐 LCEL 管道写法，LLMChain偏向维护旧项目、学习理解历史架构