链（Chains）
链（Chains）
链（Chains）指一系列调用——无论是对 LLM、工具还是数据预处理步骤的调用。主要支持的实现方式是使用 LCEL。
LCEL 非常适合构造你的链，但开箱即用的链也很好用。LangChain 支持两种类型的开箱即用链：
- 用 LCEL 构建的链。在这种情况下，LangChain 提供更高层的构造函数。不过，底层所做的全部工作就是用 LCEL 构造一条链。
- [旧版] 通过继承旧版
Chain类构造的链。这些链底层不使用 LCEL，而是独立的类。
我们正在努力创建能为所有链生成 LCEL 版本的方法。这样做有几个原因。
- 以这种方式构造的链很好，因为如果你想修改链的内部，只需修改 LCEL 即可。
- 这些链原生开箱即用地支持流式输出、异步和批处理。
- 这些链在每个步骤都自动获得可观测性。
本页包含两个列表。首先是所有 LCEL 链构造函数的列表。其次是所有旧版 Chain 的列表。
LCEL 链
下面是所有 LCEL 链构造函数 的表格。
表格各列含义：
- Chain Constructor：这条链的构造函数。它们都是返回 LCEL Runnable 的方法。我们也会链接到 API 文档。
- Function Calling：是否需要 OpenAI 函数调用。
- Other Tools：这条链使用的其它工具（如果有）。
- When to Use：关于何时使用这条链的说明。
| Chain Constructor | Function Calling | Other Tools | When to Use |
|---|---|---|---|
| create_stuff_documents_chain | 这条链接收一个文档列表，把它们全部格式化进一个提示，然后把该提示传给 LLM。它会传入 所有 文档，所以你要确保它能放进你所使用 LLM 的上下文窗口。 | ||
| create_openai_fn_runnable | ✅ | 如果你想用 OpenAI 函数调用来 可选地 构造输出响应。你可以为其调用传入多个函数，但它不一定要调用。 | |
| create_structured_output_runnable | ✅ | 如果你想用 OpenAI 函数调用 强制 LLM 以某个函数响应。你只能传入一个函数，链会 始终 返回该响应。 | |
| load_query_constructor_runnable | 可用于生成查询。你必须指定一组合法的操作，然后它会返回一个 runnable，把自然语言查询转换为这些合法操作。 | ||
| create_sql_query_chain | SQL Database | 如果你想从自然语言构造一条针对 SQL 数据库的查询。 | |
| create_history_aware_retriever | Retriever | 这条链接收对话历史，然后用它生成一个搜索查询，传给底层检索器。 | |
| create_retrieval_chain | Retriever | 这条链接收用户查询，然后把它传给检索器以获取相关文档。这些文档（以及原始输入）随后被传给 LLM 以生成响应。 |
旧版链
下面是 旧版链。在我们创造出 LCEL 替代方案之前，我们会一直维护对它们的支持。
表格各列含义：
- Chain：链的名称或构造函数方法的名称。如果是构造函数方法，它会返回一个
Chain子类。 - Function Calling：这条链是否需要 OpenAI 函数调用。
- Other Tools：这条链使用的其它工具。
- When to Use：关于何时使用的说明。
| Chain | Function Calling | Other Tools | When to Use |
|---|---|---|---|
| APIChain | Requests Wrapper | 这条链用 LLM 把查询转换为 API 请求，然后执行该请求、取回响应，再把该请求传给 LLM 以作出响应。 | |
| OpenAPIEndpointChain | OpenAPI Spec | 与 APIChain 类似，这条链旨在与 API 交互。主要区别是它针对 OpenAPI 端点的易用性进行了优化。 | |
| ConversationalRetrievalChain | Retriever | 这条链可用于与文档进行 对话。它接收一个问题以及（可选的）之前的对话历史。如果存在之前的对话历史，它用 LLM 把对话改写为一个查询发给检索器（否则就直接使用最新的用户输入）。然后它获取这些文档，并连同对话一起传给 LLM 以作出响应。 | |
| StuffDocumentsChain | 这条链接收一个文档列表，把它们全部格式化进一个提示，然后把该提示传给 LLM。它会传入 所有 文档，所以你要确保它能放进你所使用 LLM 的上下文窗口。 | ||
| ReduceDocumentsChain | 这条链通过迭代地归约文档来合并它们。它把文档分组为块（小于某个上下文长度），然后把它们传入 LLM。接着它取回响应并继续这样做，直到能把所有内容放进一次最终的 LLM 调用。当你有很多文档、想让 LLM 跑遍所有文档并且可以并行完成时，它很有用。 | ||
| MapReduceDocumentsChain | 这条链先把每个文档过一遍 LLM，然后用 ReduceDocumentsChain 归约它们。它适用的场景与 ReduceDocumentsChain 相同，但在尝试归约文档之前会先做一次 LLM 调用。 | ||
| RefineDocumentsChain | 这条链通过基于第一个文档生成初始答案，然后遍历剩余文档来 精炼 其答案，从而折叠文档。它是顺序操作的，因此无法并行化。它适用的场景与 MapReduceDocumentsChain 类似，但适用于你希望通过精炼上一个答案来逐步构建答案的情况（而不是并行调用）。 | ||
| MapRerankDocumentsChain | 它对每个文档调用一次 LLM，要求它不仅要回答，还要给出一个置信度分数。然后返回置信度最高的答案。当你有很多文档，但只想基于单个文档来回答，而不是尝试合并答案（像 Refine 和 Reduce 方法那样）时，它很有用。 | ||
| ConstitutionalChain | 这条链先回答，然后尝试基于所提供的宪法原则精炼其答案。用它来强制一条链的答案遵循某些原则。 | ||
| LLMChain | |||
| ElasticsearchDatabaseChain | Elasticsearch Instance | 这条链把自然语言问题转换为 Elasticsearch 查询，然后运行它，再总结响应。当你想要对 Elasticsearch 数据库提出自然语言问题时，它很有用。 | |
| FlareChain | 它实现了 FLARE，一种高级检索技术。它主要作为一种探索性的高级检索方法。 | ||
| ArangoGraphQAChain | Arango Graph | 这条链从自然语言构造一条 Arango 查询，对图执行该查询，然后把结果传回 LLM 以作出响应。 | |
| GraphCypherQAChain | A graph that works with Cypher query language | 这条链从自然语言构造一条 Cypher 查询，对图执行该查询，然后把结果传回 LLM 以作出响应。 | |
| FalkorDBGraphQAChain | Falkor Database | 这条链从自然语言构造一条 FalkorDB 查询，对图执行该查询，然后把结果传回 LLM 以作出响应。 | |
| HugeGraphQAChain | HugeGraph | 这条链从自然语言构造一条 HugeGraph 查询，对图执行该查询，然后把结果传回 LLM 以作出响应。 | |
| KuzuQAChain | Kuzu Graph | 这条链从自然语言构造一条 Kuzu Graph 查询，对图执行该查询，然后把结果传回 LLM 以作出响应。 | |
| NebulaGraphQAChain | Nebula Graph | 这条链从自然语言构造一条 Nebula Graph 查询，对图执行该查询，然后把结果传回 LLM 以作出响应。 | |
| NeptuneOpenCypherQAChain | Neptune Graph | 这条链从自然语言构造一条 Neptune Graph 查询，对图执行该查询，然后把结果传回 LLM 以作出响应。 | |
| GraphSparqlChain | Graph that works with SparQL | 这条链从自然语言构造一条 SparQL 查询，对图执行该查询，然后把结果传回 LLM 以作出响应。 | |
| LLMMath | 这条链把用户问题转换为数学题，然后（使用 numexpr）执行它。 | ||
| LLMCheckerChain | 这条链用第二次 LLM 调用来验证其初始答案。当你需要对初始 LLM 调用多加一层验证时使用它。 | ||
| LLMSummarizationChecker | 这条链用一系列 LLM 调用生成摘要，以确保它格外准确。当你允许多次 LLM 调用（例如你更看重准确性而非速度/成本）时，用它来替代普通的摘要链。 | ||
| create_citation_fuzzy_match_chain | ✅ | 使用 OpenAI 函数调用来回答问题并引用来源。 | |
| create_extraction_chain | ✅ | 使用 OpenAI 函数调用来从文本中抽取信息。 | |
| create_extraction_chain_pydantic | ✅ | 使用 OpenAI 函数调用来把文本中的信息抽取到 Pydantic 模型中。与 create_extraction_chain 相比，它与 Pydantic 的集成更紧密。 | |
| get_openapi_chain | ✅ | OpenAPI Spec | 使用 OpenAI 函数调用来查询 OpenAPI。 |
| create_qa_with_structure_chain | ✅ | 使用 OpenAI 函数调用对文本进行问答，并以特定格式响应。 | |
| create_qa_with_sources_chain | ✅ | 使用 OpenAI 函数调用来带引用地回答问题。 | |
| QAGenerationChain | 从文档创建问题和答案。用于为检索项目的评估生成问题/答案对。 | ||
| RetrievalQAWithSourcesChain | Retriever | 对检索到的文档做问答，并引用其来源。当你希望答案响应在文本中包含来源时使用它。当你希望用检索器作为链的一部分来获取相关文档（而不是直接传入它们）时，用它来替代 load_qa_with_sources_chain。 | |
| load_qa_with_sources_chain | Retriever | 对你传入的文档做问答，并引用其来源。当你希望答案响应在文本中包含来源时使用它。当你希望直接传入文档（而不是依赖检索器获取它们）时，用它来替代 RetrievalQAWithSources。 | |
| RetrievalQA | Retriever | 这条链先做检索步骤以获取相关文档，然后把这些文档传入 LLM 以生成响应。 | |
| MultiPromptChain | 这条链在多个提示之间路由输入。当你有多个可用来响应的潜在提示，并希望只路由到一个时使用它。 | ||
| MultiRetrievalQAChain | Retriever | 这条链在多个检索器之间路由输入。当你有多个可从中获取相关文档的潜在检索器，并希望只路由到一个时使用它。 | |
| EmbeddingRouterChain | 这条链使用嵌入相似度来路由传入的查询。 | ||
| LLMRouterChain | 这条链使用 LLM 在潜在选项之间路由。 | ||
| load_summarize_chain | |||
| LLMRequestsChain | 这条链从用户输入构造一个 URL，获取该 URL 处的数据，然后总结响应。与 APIChain 相比，这条链不专注于单一的 API 规范，而是更通用。 |