1. 链式开发中的复用困境与破局之道
在LangChain的实际开发中,我经常遇到这样的场景:不同业务模块的处理流程高度相似,却又存在微妙的差异。就像去年做的一个智能客服项目,订单查询、物流跟踪、退换货申请这些功能,都需要经过"用户输入→意图识别→业务处理→结果格式化"的标准流程,但每个环节的具体实现又各不相同。
最原始的写法是这样的:
python复制# 订单查询链
order_chain = (
OrderPromptTemplate()
| ChatOpenAI(temperature=0)
| OrderResponseParser()
)
# 物流查询链
logistics_chain = (
LogisticsPromptTemplate()
| ChatOpenAI(temperature=0)
| LogisticsResponseParser()
)
这种写法的问题显而易见:模型配置重复、错误处理逻辑重复、监控埋点重复。更可怕的是,当需要调整模型参数时,要在十几个地方做相同修改。我曾经因为漏改一处temperature参数,导致生产环境出现随机性回答,酿成严重事故。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 链复用的设计哲学
2.1 关注点分离原则
好的链设计应该像乐高积木:基础组件标准化,业务逻辑可组装。我们通过三层抽象实现这一目标:
- 基础设施层:封装LLM调用、重试机制、埋点监控
- 业务中间层:处理领域特定的prompt工程和结果解析
- 编排层:组合不同链完成端到端流程
python复制class BaseLLMChain:
def __init__(self):
self.llm = ChatOpenAI(
model="gpt-3.5-turbo",
temperature=0,
max_retries=3
)
self.monitor = APMMonitor()
def _invoke(self, input):
with self.monitor.trace():
return self.llm.invoke(input)
2.2 模板方法模式实践
对于相似流程的业务链,我们使用模板方法消除重复:
python复制from abc import ABC, abstractmethod
class BusinessChain(ABC):
def run_chain(self, user_input):
prompt = self.build_prompt(user_input)
llm_output = self.ca
