企业官网建设流程全解析

LangChain设计模式之责任链模式

LangChain 里随手写出的prompt | llm | parser，底层并不是三个对象简单相加，而是一条责任链。本文从设计模式定义、源码实现和实战场景三个层面，把它拆清楚。

一、先记住一句话

在 LangChain 中，责任链模式解决的核心问题是：

如何把多个可执行步骤串联起来，让请求按顺序正向传递。

它是最基础、最常用的执行骨架。你看到的 Prompt 构建、模型调用、输出解析、工具调用、格式化，最终都会被组织成一条链。

二、责任链模式是什么

责任链模式是行为型设计模式。经典定义是：

将多个处理者组成一条链，请求沿着链依次传递，直到某个处理者能够处理并返回结果。

它通常包含四个角色：

需要特别说明的是，LangChain 中的责任链不是“谁先处理完谁返回”的短链逻辑，而是更偏向固定管线：每个步骤都会执行，上一步的输出作为下一步的输入。它继承的是责任链“解耦步骤、串联执行”的思想，同时吸收管道模式对数据流的约束。

三、LangChain 里的实现：RunnableSequence

在 LangChain 中，|运算符会把左右两个 Runnable 组合起来。多个组件连续使用|时，最终会被封装成RunnableSequence。

prompt | llm | parser ↓ 底层等价于 RunnableSequence([prompt, llm, parser])

3.1 统一接口先行

责任链能成立，前提是链上的每个步骤都实现同一个接口。LangChain 用Runnable完成这件事：

fromabcimportABC,abstractmethodfromtypingimportGeneric,TypeVar,Optional,List Input=TypeVar("Input")Output=TypeVar("Output")classRunnable(Generic[Input,Output],ABC):input_type:typeoutput_type:type@abstractmethoddefinvoke(self,input:Input,config:Optional[dict]=None)->Output:raiseNotImplementedError()

所有 Prompt、LLM、Parser、Chain、Tool，以及后续包装出来的中间件对象，都满足这个契约。

3.2 链的组装与执行

下面是贴合 LangChain 实际逻辑的简化版RunnableSequence：

classRunnableSequence(Runnable[Input,Output]):def__init__(self,steps:List[Runnable]):self.steps=steps self._validate_steps()def_validate_steps(self)->None:foriinrange(len(self.steps)-1):current_output=self.steps[i].output_type next_input=self.steps[i+1].input_typeifnotissubclass(current_output,next_input):raiseValueError(f"步骤{i}的输出类型{current_output}"f"不匹配步骤{i+1}的输入类型{next_input}")definvoke(self,input:Input,config:Optional[dict]=None)->Output:value=inputfori,stepinenumerate(self.steps):step_config=self._patch_config(config,step_idx=i)value=step.invoke(value,step_config)returnvaluedef_patch_config(self,config:Optional[dict],step_idx:int)->dict:config=configor{}return{**config,"step_idx":step_idx,"step_tag":f"step{step_idx}","sequence_id":id(self),}

3.3 这四点决定了它像责任链

1. 线性串联：请求从第一个步骤进入，依次传到最后一个步骤。
2. 步骤解耦：每个 Runnable 只关心自己的输入和输出，不感知前后步骤。
3. 可扩展：通过|可以随时增删步骤或调整顺序。
4. 上下文传递：config沿链传递，为日志、会话、状态回溯提供基础。

四、实战：从基础链到嵌套链

4.1 基础 Prompt-LLM-Parser 链

这是 LangChain 最常见的一条责任链：

fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_openaiimportChatOpenAIfromlangchain_core.output_parsersimportStrOutputParser prompt=ChatPromptTemplate.from_messages([("system","你是一个专业的文本总结助手，总结内容需简洁明了，不超过50字。"),("user","{input}")])llm=ChatOpenAI(model="gpt-3.5-turbo")parser=StrOutputParser()chain=prompt|llm|parser input_text=("LangChain 是一个用于构建大语言模型应用的框架，""它提供了丰富的组件和工具，支持快速开发复杂的 LLM 应用。")result=chain.invoke({"input":input_text})print(result)

执行顺序：

{"input": input_text} ↓ prompt ↓ llm ↓ parser ↓ result

4.2 嵌套责任链：责任链里的责任链

责任链的一个步骤本身也可以是一条责任链，于是形成树形结构：

fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.runnablesimportRunnableSequence summary_chain=prompt|llm|parser translate_prompt=ChatPromptTemplate.from_messages([("system","将以下文本翻译成英文，保持原意，简洁准确。"),("user","{input}")])translate_chain=translate_prompt|llm|parser# 先总结，再翻译总结结果main_chain=RunnableSequence([summary_chain,translate_chain])result=main_chain.invoke({"input":input_text})print(result)

这种能力让复杂任务可以被拆成多级子链，而不是写一个巨大的处理函数。

五、它在四大模式中的位置

责任链模式不是孤立存在的。它在 LangChain 内核中负责“正向执行流的骨架”：

一句话总结：命令模式定接口，责任链模式搭骨架，装饰器模式做增强，管道模式规数据流。

六、总结

LangChain 的责任链模式是怎么实现的：

1. LangChain 通过Runnable接口统一所有可执行组件。
2. |运算符把组件组合成RunnableSequence。
3. RunnableSequence.invoke把输入依次传给每个步骤，前一步输出作为后一步输入。
4. 每个步骤只关注自身职责，通过config传递上下文。
5. 责任链既可以扁平串联，也可以嵌套成树形链，支撑复杂任务拆分。