LangChain 实战五招：从入门到效率翻倍

LangChain 已经是 LLM 应用框架的事实标准了，但很多人还在用最笨的方法——写一堆重复代码、调 Prompt 调到崩溃、出了错都不知道哪里崩的。今天直接上干货，分享五个真正能提升你开发效率的技巧。

技巧一：用 RunnableSequence 替代传统 Chain，让代码可复用

很多人还在用 LLMChain 或者 SimpleSequentialChain，但这些东西耦合太紧，改个步骤就得重写。RunnableSequence 才是亲儿子。

看个例子，你想写一个“先翻译，再总结”的流程：

from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4")

chain = (
    {"text": RunnablePassthrough()} 
    | llm.bind(stop=["\n"]) 
    | (lambda x: f"请用中文总结以下内容：{x.content}")
    | llm
)

关键好处：每个 | 后面的组件可以单独替换、测试、复用。比如把翻译步骤抽出来，还能用在别的链里。而且支持流式输出、并行执行，性能直接拉满。

技巧二：Agent 里用“工具描述优化”替代暴力调 Prompt

很多人写 Agent 时，工具描述随便写两句，结果模型老是选错工具。工具描述就是 Agent 的导航仪，写得好能省 80% 的调试时间。

比如你有一个搜索工具和一个计算器工具：

@tool
def search_web(query: str) -> str:
    """当用户需要查找最新新闻、实时信息、或者不确定的事实性内容时使用。输入应为简洁的搜索关键词，不要用完整句子。"""
    ...

@tool
def calculator(expression: str) -> str:
    """执行数学运算，包括加减乘除、幂运算等。当用户问“多少”“计算”“等于几”这类问题时优先使用。输入必须是合法的数学表达式，如 '2+3*4'。"""
    ...

技巧点：描述里要包含 触发条件 + 输入格式要求 + 典型场景。这样模型就不会把“帮我算一下”丢给搜索工具了。

技巧三：用 LangSmith 的 Trace 功能定位 Prompt 翻车点

Prompt 写好了，但模型输出总不对？别靠猜，LangSmith 的 Trace 功能能让你看到每一步的输入输出和 Token 消耗。

操作很简单：在代码里加一行配置，所有调用都会被记录。

import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "my-app"

然后去 LangSmith 后台，点开某次 Trace，你会看到：

• 每个 LLM 调用的完整 Prompt 和 Response
• 每个工具调用的输入输出
• 整个链的执行时间线

比如发现模型总是把“用户地址”理解成“IP 地址”，一看 Trace 就知道是 Prompt 里没写清楚上下文。改完再跑一次，对比效果，效率翻倍。

技巧四：用 RunnableBranch 实现动态路由，告别 if-else 地狱

业务逻辑里经常要“根据用户输入走不同流程”，很多人写一堆 if-else，代码又臭又长。RunnableBranch 专门解决这个问题。

假设用户输入可能是“查天气”、“算账”、“闲聊”，你想走不同链：

from langchain_core.runnables import RunnableBranch

weather_chain = ...
calculator_chain = ...
chat_chain = ...

branch = RunnableBranch(
    (lambda x: "天气" in x, weather_chain),
    (lambda x: any(c in x for c in "加减乘除计算"), calculator_chain),
    chat_chain  # 默认分支
)

每个分支是一个 (条件函数, 处理链) 对，条件为真就执行对应链。比 if-else 清晰多了，而且每个分支还能单独测试、复用。

技巧五：用 Callback 做实时日志和限流，别等崩溃才后悔

生产环境里，LLM 调用慢、Token 超限、API 报错都是家常便饭。Callback 可以让你在链执行过程中插入自定义逻辑，比如实时打印进度、统计 Token、甚至自动重试。

from langchain_core.callbacks import BaseCallbackHandler

class MyCallback(BaseCallbackHandler):
    def on_llm_start(self, serialized, prompts, **kwargs):
        print(f"开始调用 LLM，Prompt 长度：{len(prompts[0])}")
    
    def on_llm_end(self, response, **kwargs):
        print(f"LLM 返回，Token 消耗：{response.llm_output['token_usage']}")

chain = ...  # 你的链
result = chain.invoke({"input": "你好"}, config={"callbacks": [MyCallback()]})

更实用的是，你可以在 on_llm_start 里做限流检查，比如每分钟最多调 10 次，超了就排队或报错。这样不用等整个链跑完才发现崩了。

总结一下：LangChain 真正强大的地方不是“能调 LLM”，而是它的可组合性和可观测性。用好 Runnable 系列、优化工具描述、配上 LangSmith 的 Trace，你的 LLM 应用开发效率至少翻一倍。别再用老方法了。