LangChain 基礎鏈介紹：LLMChain、SequentialChain 與 TransformChain 入門

甚麼是 LangChain？為什麼需要基礎鏈？

LangChain 是根據大型語言模型（LLM）打造應用程式的框架。LangChain 使用基礎鏈來建立由 LLM 支援的應用程式，這些基本鏈是模組化構建塊，用於在應用程式中執行特定任務。

LangChain 是用於開發由語言模型驅動的應用程式的框架，主要有兩大能力：

• 具有上下文採集能力：將語言模型連接到上下文來源（提示指令、少量的範例、需要回應的內容等）。
• 具有推理能力：依賴語言模型進行推理（根據提供的上下文如何回答、採取什麼行動等）。

LangChain 有哪些推薦的教學資源？

我當初入門時主要參考以下資源：

• LangChain 中文文档 v0.1.7（舊版文件，原中文鏡像站已下線）
• LangChain 官方文件 Concepts：<https://python.langchain.com/docs/>
• [LangChain for LLM Application Development] 課程筆記：<https://hackmd.io/@YungHuiHsu/SJJvZ-ya2?utm_source=preview-mode&utm_medium=rec>

鏈（Chains）結構是怎麼組成的？

鏈（Chains）是一個非常通用的概念，它指的是將一系列模組化組件（或其他鏈）以特定方式組合起來，以實現共同的用例。以下依單鏈、循序鏈、轉換鏈三種類型說明。

QLLMChain（單鏈）如何運作？

類別說明：<https://api.python.langchain.com/en/latest/chains/langchain.chains.llm.LLMChain.html>

LLMChain 是最常用的鏈類型，它結合了 PromptTemplate（input）、Model（LLM）和 Guardrails（output）來接收用戶輸入，進行相應的格式化，將其傳遞給模型並獲取回應，然後驗證和修正（如果需要）模型的輸出。

QSequentialChain（循序鏈）適合什麼場景？

類別說明：<https://api.python.langchain.com/en/latest/chains/langchain.chains.sequential.SequentialChain.html>

同一次的詢問，至少兩次與 LLM 交互，把複雜的問題拆解成小的問題，然後再輸出回應。這邊是一篇說明文章：<https://blog.csdn.net/wangjiansui/article/details/137509565>

總之就是讓輸入到輸出之間串聯多個 LLM 系統並依序執行。

以下是如何使用 SequentialChain 的一些範例：

• 機器翻譯：SequentialChain 可用於透過使用專門針對不同語言對的 LLM 呼叫鏈，將文字從一種語言翻譯為另一種語言。
• 文字摘要：SequentialChain 可用於透過使用一系列 LLM 呼叫來摘要文本，這些呼叫從文本中提取關鍵訊息，然後產生摘要。
• Q&A：SequentialChain 可用於透過使用一系列 LLM 調用來回答問題，這些調用從文本文檔中提取信息，然後生成問題的答案。

QTransformChain（轉換鏈）在做什麼？

類別說明：<https://api.python.langchain.com/en/latest/chains/langchain.chains.transform.TransformChain.html>

這些轉換可以是簡單的文字操作（例如文字清理），或更複雜的模型處理。

TransformChain 工作原理：

1. 輸入：TransformChain 接收 LLM 的輸出作為輸入。此輸出可以是文字、程式碼或任何其他資料格式。
2. 轉換：然後 TransformChain 對輸入資料套用一系列轉換。這些轉換由使用者提供的函數或預先定義的 LangChain 轉換定義。
3. 輸出：TransformChain 的最終輸出是將所有轉換應用於輸入資料的結果。此輸出可以用作另一個鏈的輸入，或作為應用程式的最終輸出。

以下是如何使用 TransformChain 的一些範例：

• 文字清理：TransformChain 可用於透過刪除標點符號、將文字轉換為小寫以及刪除停用詞來清理文字。
• 特徵提取：TransformChain 可用於從文本中提取特徵，例如詞頻或情緒分數。
• 數據標準化：TransformChain 可用於標準化數據，例如縮放數值數據或將分類數據轉換為數值表示。

延伸閱讀

• LangChain 基礎鏈介紹：LLMChain、SequentialChain 與 TransformChain 怎麼用？：同樣聚焦 LangChain、LLM，可接著比較不同情境的做法。
• 提示工程框架的概念：明確提問、In-Context Learning、CoT 與 ToT：同樣聚焦 提示工程、LLM，可接著比較不同情境的做法。
• 讓 LLM 記憶對話的實現方式：同樣聚焦 LLM、LangChain，可接著比較不同情境的做法。

常見問題

QLangChain 的鏈（Chain）是什麼？

鏈是把一系列模組化組件（或其他鏈）以特定方式組合起來、實現共同用例的概念。它是 LangChain 建立 LLM 應用程式的基本構建塊。

QLLMChain 和 SequentialChain 有什麼差別？

LLMChain 是單一鏈，結合 PromptTemplate、Model 與 Guardrails 完成一次 LLM 呼叫。SequentialChain 則把多個 LLM 系統依序串聯，把複雜問題拆解成小問題逐步處理。

QTransformChain 一定要搭配 LLM 使用嗎？

不一定。TransformChain 的轉換由使用者提供的函數或預先定義的轉換定義，可以是純文字操作（如清理、標準化），也可以串接在 LLM 輸出之後做後處理。

Q初學者該從哪種鏈開始學？

建議從 LLMChain 開始，因為它是最常用的單鏈，理解 PromptTemplate、Model、Guardrails 的串接後，再進階到 SequentialChain 與 TransformChain 的組合應用。

參考資料

• LangChain 中文文档 v0.1.7（舊版文件，原中文鏡像站已下線）
• LangChain 官方文件 Concepts：<https://python.langchain.com/docs/>
• [LangChain for LLM Application Development] 課程筆記：<https://hackmd.io/@YungHuiHsu/SJJvZ-ya2>
• LLMChain 類別說明：<https://api.python.langchain.com/en/latest/chains/langchain.chains.llm.LLMChain.html>
• SequentialChain 類別說明：<https://api.python.langchain.com/en/latest/chains/langchain.chains.sequential.SequentialChain.html>
• TransformChain 類別說明：<https://api.python.langchain.com/en/latest/chains/langchain.chains.transform.TransformChain.html>
• SequentialChain 說明文章：<https://blog.csdn.net/wangjiansui/article/details/137509565>

最後更新

2026-08-28（原文發布於 2024-05-06，本文保留原始筆記內容並補上 GEO 結構。）

關於作者 {#author}

Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2024-05-06