LangChainJS之Chain链四

前面几章，我们了解如何使用消息大模型，使用prompt提示词，Runnable是什么。如果你对于大模型使用、prompt提示词、Runnable不太了解，可以先看看前面几章。下面我们将继续学习讨论Chain链。

为什么需要Chain链？

Chain链的本质，就是管道。在Shell命令行中，我们通过|操作符串联命令，例如cat file.txt | tr 'a-z' 'A-Z'将文件内容转为大写——管道将左侧命令的标准输出，直接作为右侧命令的标准输入。LangChain借鉴了这一经典设计，将其命名为Chain（链）。

引入管道特性的目的，在于践行Unix哲学：每个组件只做一件事，并把它做好，然后通过管道将它们组合起来解决复杂问题。在LangChain.js中，Chain链正是这一理念的落地——它将模型、提示词模板、工具等异构组件串联成可执行的工作流，并统一管理组件间的数据传递与逻辑编排，让开发者能以声明式、可组合的方式构建复杂的AI应用。

ChatPrompt.pipe(model).pipe(new StringOutputParser())

如果没有Chain链，在使用模型、提示词、工具等组件时，开发者只能手动管理它们之间的数据传递。每一次调用都需要显式地获取前一步的输出，再作为下一步的输入。这种“胶水代码”在单次调用时尚且可控，但一旦涉及多轮对话或复杂工作流，数据结构就会变得混乱不堪，逻辑纠缠，维护成本急剧攀升。

Chain链正是为此而生。它不仅允许开发者反复复用一个已构建好的工作流，更重要的是，它提供了一种标准化的编排模式——将模型、提示词、工具等异构组件统一纳入同一套接口（Runnable）之下，由链本身统一管理组件间的数据流转与执行顺序。开发者只需关心“做什么”，而无需关心“怎么传”。

下面我们来看看，手动调用和使用Chain调用的不同之处。

手动调用

如果我们要生成一篇文章，不使用Chain链调用，代码的执行是什么样，可以看看下面的代码↓

// 初始化模型const model = new ChatOpenAI({ model: "DeepSeek-V4-Pro" });// 定义提示词模板（依然可以复用）const outlinePrompt = ChatPromptTemplate.fromTemplate("请为主题 '{topic}' 生成一篇文章的大纲。");const articlePrompt = ChatPromptTemplate.fromTemplate("根据以下大纲写一篇完整的文章：nn{outline}");// 1️⃣ 生成大纲const outlineMessages = await outlinePrompt.formatMessages({ topic: "人工智能的未来" });const outlineResponse = await model.invoke(outlineMessages);// 从响应中提取文本内容（相当于 StringOutputParser 的功能）const outline = outlineResponse.content;// 2️⃣ 基于大纲生成文章const articleMessages = await articlePrompt.formatMessages({ outline: outline });const articleResponse = await model.invoke(articleMessages);const article = articleResponse.content;console.log(article);

如果不使用Chain 链，开发者需要手动依次调用每个组件，并显式地传递数据，手动管理每一步的输入/输出、顺序和异常。

Chain链调用

下面我们来看看使用Chain链调用，又是什么样子，请看下面的代码↓

// 初始化模型const model = new ChatOpenAI({ model: "DeepSeek-V4-Pro" });// 大纲提示词const outlinePrompt = ChatPromptTemplate.fromTemplate("请为主题 '{topic}' 生成一篇文章的大纲。");const outlineChain = outlinePrompt.pipe(model).pipe(new StringOutputParser()); // 输出字符串// 文章提示词const articlePrompt = ChatPromptTemplate.fromTemplate("根据以下大纲写一篇完整的文章：nn{outline}");const articleChain = articlePrompt.pipe(model).pipe(new StringOutputParser()); // 输出字符串// chain链拼接组合const fullChain = outlineChain // 把上一步的字符串 outline 包成对象,再喂给 articleChain.pipe(RunnableLambda.from((outline: string) => ({ outline }))) .pipe(articleChain);const result = await fullChain.invoke({ topic: "人工智能的未来" });

outlineChain和articleChain使用Chain链组装，它们是两个等待调用或复用的组件，此时它们还没被调用。而fullChain是这两个Chain组件的组合结果，outlineChain生成大纲并且输出字符串，再将生成的大纲字符串通过RunnableLambda转换成{ outline: string }对象传递给articleChain。直到调用invoke方法，整个流程才开始运行：

topic 进入 outlineChain ↓ 大纲字符串 ↓RunnableLambda 包成 { outline } ↓{ outline } 进入 articleChain ↓ 最终文章字符串

使用Chain链构建工作流，其中的每个子链（如 outlineChain）都可独立复用， 也可灵活拼接，自动由链管理数据流转。

路由链

这里的路由，类比网络路由，首先收到一个数据包，看包的目的地址，再根据路由表把包转发到正确的下一跳。"路由"的核心是：根据输入的某个属性，把请求分发到不同的处理路径。

在 Chain链中，是根据问题类别分发到不同专家 prompt，下面我们来看看路由链：

// 使用 withStructuredOutput 进行分类const classificationSchema = z.object({category: z.enum(["tech", "cooking", "general"]).describe("问题类别"),});const classifier = model.withStructuredOutput(classificationSchema);// 三个提示词模版const techPrompt = ChatPromptTemplate.fromTemplate("你是一个技术专家。请回答以下技术问题：n{question}");const cookingPrompt = ChatPromptTemplate.fromTemplate("你是一个厨师。请回答以下烹饪问题：n{question}");const generalPrompt = ChatPromptTemplate.fromTemplate("请回答以下问题：n{question}");const question = "怎么做红烧肉？";// 分类const classification = await classifier.invoke(`将以下问题分类为 tech（技术）、cooking（烹饪）或 general（一般）：n${question}`);let selectedPrompt;// 根据问题分类，加载对应提示词模版switch (classification.category) {case "tech":selectedPrompt = techPrompt;break;case "cooking":selectedPrompt = cookingPrompt;break;default:selectedPrompt = generalPrompt;}const answer = await selectedPrompt.pipe(model).pipe(new StringOutputParser()).invoke({ question });// const result = await answerChain.invoke({ question });

如果你只看 switch 语句，那就是普通的条件分支，没什么"路由"味道。"路由链"这个名字来自 LangChain 的设计模式命名 ——强调的是整个流程的模式（分类 → 分发 → 处理），而不是单个 switch 语句。

换句话说：switch 本身不叫路由，但 "先分类再分发到不同链"这种整体结构就叫路由链。

转换链

转换链的本质，是借助 Runnable 统一标准，对单个或多个输入数据进行灵活处理，将其转换为下游组件所需的结构。

const transformInput = RunnableLambda.from((input: { text: string }) => ({text: input.text,wordCount: input.text.split(/s+/).length,characterCount: input.text.length,}));const promptTemplate = ChatPromptTemplate.fromTemplate(`分析以下文本的摘要：文本: {text}字数统计: {wordCount} 词，{characterCount} 字请提供摘要。`);const chain = transformInput.pipe(promptTemplate).pipe(model).pipe(new StringOutputParser());const text = `LangChain 是一个用于开发由语言模型驱动的应用程序的框架。它提供了一套丰富的工具和组件，使得构建复杂的 LLM 应用变得更加容易。无论是简单的聊天机器人还是复杂的智能袋里，LangChain 都能帮你实现。`.trim();const result = await chain.invoke({ text });

在上述代码示例中，RunnableLambda.from 将原始的 text 字段转换为多个字段组成的对象。得益于 Runnable 的统一接口规范，经转换后的数据对象，能够无缝传递给后续的提示词模板（promptTemplate）使用，整个流程自然而流畅。

在实际业务场景中，原始数据格式往往是固定的，但前端展示或下游处理逻辑，对数据形态有特定要求。转换链恰好精准地解决了这一问题——它作为数据预处理/后处理的标准化“加工站”，让开发者能够以声明式、可组合的方式，将复杂的数据清洗、格式转换、字段映射等逻辑解耦出来，确保数据在进入核心大模型（LLM）环节之前，已完全就绪。

总结

如今日常开发中，AI 编程工具已成为得力助手。但理解这些底层原理依然有意义：当你看到 AI 生成的代码时，你能看懂它“在做什么”，更能理解它“为什么这样写”。