4.1 四条典型产线：常见应用场景

4.1 四条典型产线：常见应用场景

本节摘要：LangChain 应用的常见形态收敛为四条产线——对话助手、知识库问答、内容生成、自主代理。本节给每条产线一张装配卡：业务特征、零件清单、最小可跑代码与专属的坑，帮你按需求对号入座。

先选产线，再写代码

需求进车间后的第一个决定不是"用哪个模型"，而是"这是哪条产线"。选错形态的代价极大：把固定流程硬套进代理产线，得到的是不可控与高延迟；把需要自主决策的任务塞进固定链，得到的是频繁的人工介入。四条产线的判别特征一句话版：要聊就是对话线，要查资料就是问答线，要出稿就是生成线，要跨系统办事就是代理线。

四条产线选型矩阵

产线一：对话助手

零件最少的产线，核心是记忆件（2.5 节）：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableWithMessageHistory
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_openai import ChatOpenAI

store = {}
def get_history(sid):
    return store.setdefault(sid, InMemoryChatMessageHistory())

chat = (ChatPromptTemplate.from_messages([
            ("system", "你是袜子品牌的小助手豆豆"),
            ("placeholder", "{chat_history}"),
            ("human", "{q}"),
        ])
        | ChatOpenAI(temperature=0.5))

bot = RunnableWithMessageHistory(
    chat, get_history, input_messages_key="q",
    history_messages_key="chat_history")

cfg = {"configurable": {"session_id": "u-1"}}
print(bot.invoke({"q": "推荐一双夏天穿的"}, config=cfg).content)
print(bot.invoke({"q": "再便宜一点的"}, config=cfg).content)
# 第二问能接住 再 字 靠的是记忆件
# 输出示例：那看看基础纯色款 单价19.9 透气性同样在线
​

坑位集中在状态：会话仓库要分布式（3.2 节 Redis 方案）、历史要裁剪（窗口或摘要）。

产线二：知识库问答

第2章供料线的完全体，4.2 节整节总装，这里先给最小样机：

from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

vs = Chroma.from_texts(
    ["退货需在签收后七天内提出", "定制款不支持退换",
     "棉袜建议冷水手洗"],
    OpenAIEmbeddings())

def fmt(docs):
    return "\n".join(d.page_content for d in docs)

qa = ({"ctx": vs.as_retriever(search_kwargs={"k": 2}) | fmt,
       "q": RunnablePassthrough()}
      | ChatPromptTemplate.from_template(
          "依据资料回答 没有就说不知道：\n{ctx}\n问题：{q}")
      | ChatOpenAI(temperature=0)
      | StrOutputParser())

print(qa.invoke("定制款能退吗"))
# 输出示例：不能 定制款不支持退换。
​

坑位集中在数据：文档版本更新要同步重建索引、切分参数要按 3.3 节质检台调优。

产线三：内容生成

批量出稿的产线，核心是顺序链加输出解析（2.3、2.2 节）：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
from langchain_core.runnables import RunnableParallel

llm = ChatOpenAI(temperature=0.8)

# 两道工序：卖点提炼 与 标语生成 汇流成稿
pitch = (ChatPromptTemplate.from_template("提炼{item}的三个卖点")
         | llm | StrOutputParser())
slogan = (ChatPromptTemplate.from_template("为{item}写一句10字标语")
          | llm | StrOutputParser())

line = RunnableParallel(pitch=pitch, slogan=slogan)
out = line.invoke({"item": "彩色袜子"})
print(out["slogan"])
# 输出示例：一双袜子 一天好心情

# 批量生产：一次喂十个商品
items = [{"item": f"商品{i}"} for i in range(10)]
print(len(line.batch(items)))
# 输出：10
​

坑位是格式漂移：批量生成时偶尔窜出解释性废话，出口挂 3.1 节的安检门即可。

产线四：自主代理

跨系统办事的产线，核心是工具柜与执行器（2.4 节）：

from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI

@tool
def inventory_check(sku: str) -> str:
    """查询商品库存。需要知道有没有货时使用。"""
    stock = {"SO-RED": 120, "SO-BLUE": 0}
    n = stock.get(sku, -1)
    return f"{sku} 库存 {n} 件" if n >= 0 else "无此型号"

@tool
def order_create(sku: str, qty: int) -> str:
    """创建订单。用户明确说要下单时使用。"""
    return f"订单已创建 {sku} x{qty}"

llm = ChatOpenAI(temperature=0)
tools = [inventory_check, order_create]
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是下单助手"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])
agent = create_tool_calling_agent(llm, tools, prompt)
bot = AgentExecutor(agent=agent, tools=tools, max_iterations=6)

print(bot.invoke({"input": "红色款还有货吗 有的话帮我来两双"}))
# 输出示例：红色款有货 已为你下单两双
# 执行轨迹：先查库存 看到有货 再建订单
​

坑位最深的一条线：工具描述决定成败、死循环靠 max_iterations 兜底、不可逆操作要走 3.5 节的权限闸门。

⚠️ 选型最常见的错配：拿代理线做问答。用户只是想查一句政策，代理却来回调工具三四次，延迟翻倍、体验稀碎。先问"流程能不能写死"，再决定要不要给产线自治权。

💡 组合产线是常态：真实系统常是"小分类链加大问答线"或"生成线加质检小链"。把四条产线当四种基本电路，业务是它们的串联并联。

动手实验

拿你手头的业务各写一句需求描述，先按判别轴归类产线，再对比上面对应装配卡里的零件清单，看缺什么零件就回第2章对应节补。下一节进入全教程的重头戏：把知识库问答产线从零到一完整总装。