LangChain 是根據大型語言模型（LLM）打造應用程式的框架，而基礎鏈（Chains）就是它的模組化構建塊：把一系列組件以特定方式組合起來，在應用程式中執行特定任務。這篇文章整理我在學 LangChain 時記錄的基礎鏈概念，涵蓋 LLMChain、SequentialChain 與 TransformChain 三種常用鏈的運作方式與應用場景。
甚麼是 LangChain？
LangChain 是根據大型語言模型（LLM）打造應用程式的框架。它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，主要有兩個核心能力：
- 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）
學 LangChain 有哪些教學資源？
我當時主要參考這幾份文件與課程筆記：
- LangChain 中文文档 v0.1.7: https://python.langchain.com.cn/docs/
- LangChain中文網 Concepts: https://docs.langchain.com.cn/docs/
- LangChain for LLM Application Development] 課程筆記: [https://hackmd.io/@YungHuiHsu/SJJvZ-ya2
甚麼是鏈（Chains）結構？
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。下面依序整理三種常見的基礎鏈。
LLMChain（單鏈）
類別說明: LLMChain API 文件
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。
SequentialChain（循序鏈）
類別說明: SequentialChain API 文件
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。這邊有一篇說明文章：CSDN：LangChain SequentialChain。
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：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：可用於透過一系列 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：可用於透過一系列 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。
TransformChain（轉換鏈）
類別說明: TransformChain API 文件
TransformChain 的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。它的工作原理分三步：
- 輸入：接收 LLM 的輸出作為輸入，可以是文字、程式碼或任何其他資料格式。
- 轉換：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。
- 輸出：最終輸出是將所有轉換應用於輸入資料的結果，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：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：從文本中提取特徵，例如詞頻或情緒分數。
- 數據標準化：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 入門：同樣聚焦 LangChain、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。
- Ollama 本地端運行 LLM 服務教學：同樣聚焦 LLM，可接著比較不同情境的做法。
常見問題
LangChain 的鏈（Chains）是什麼？
鏈是 LangChain 的模組化構建塊，指將一系列組件（或其他鏈）以特定方式組合起來，實現共同的用例。開發者可以像堆積木一樣，把提示模板、LLM、輸出驗證等組件串成一條處理流程。
LLMChain 和 SequentialChain 有什麼差別？
LLMChain 是最基本的單鏈，一次使用者輸入對應一次 LLM 呼叫，負責格式化提示、呼叫模型並驗證輸出。SequentialChain 則在同一次詢問中至少與 LLM 交互兩次，把複雜問題拆解成多個小問題，依序串聯多個 LLM 系統後才輸出結果。
TransformChain 通常用在什麼場景？
TransformChain 適合在鏈與鏈之間做資料加工，例如文字清理（刪標點、轉小寫、去停用詞）、特徵提取（詞頻、情緒分數）或數據標準化。它的轉換由使用者自訂函數或 LangChain 預先定義的轉換來執行。
LangChain 適合開發什麼樣的應用程式？
LangChain 適合開發由大型語言模型驅動的應用程式，例如問答系統、文字摘要、機器翻譯與 Agent 應用。它的核心能力是把上下文來源接入語言模型，並依賴模型進行推理，決定如何回答或採取什麼行動。
參考資料
- LangChain 中文文档 v0.1.7
- LangChain中文網 Concepts
- LLMChain API 文件
- SequentialChain API 文件
- TransformChain API 文件
- LangChain for LLM Application Development 課程筆記
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