本文总结 LangChain 的高级技巧、性能优化和最佳实践，帮助你构建更强大的 LLM 应用。
## 1. 性能优化
### 1.1 并发处理
“`python
from langchain_core.runnables import RunnableParallel
parallel_chain = RunnableParallel({
“summary”: summarize_prompt | llm,
“translation”: translate_prompt | llm,
“sentiment”: sentiment_prompt | llm
})
result = parallel_chain.invoke({“text”: “今天天气不错”})
# 比顺序调用快 3 倍
“`
### 1.2 批处理
“`python
questions = [“什么是 Python？”, “什么是 JavaScript？”, “什么是 AI？”]
responses = llm.batch(questions) # 一次调用，处理多个输入
“`
### 1.3 流式处理
“`python
for chunk in llm.stream(“讲一个很长的故事”):
print(chunk.content, end=””, flush=True)
“`
### 1.4 缓存机制
“`python
from langchain.cache import InMemoryCache
cache = InMemoryCache()
llm = ChatOpenAI(model=”gpt-4o-mini”, cache=cache)
# 相同内容的第二次调用从缓存返回
“`
## 2. 高级链式组合
### 2.1 条件路由
“`python
from langchain_core.runnables import RunnableBranch
branch = RunnableBranch(
(lambda x: x[“route”] == “math”, math_chain),
(lambda x: x[“route”] == “translate”, translate_chain),
)
“`
### 2.2 循环链
对于需要迭代优化的场景，可以实现 RunnableLoop 模式，反复执行直到满足条件。
## 3. 错误处理和重试
“`python
from tenacity import retry, stop_after_attempt, wait_exponential
@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=1, max=10))
def safe_invoke(chain, input_data):
return chain.invoke(input_data)
“`
## 4. 成本优化
– Token 使用监控：使用 `get_openai_callback()` 跟踪成本
– 智能模型选择：简单任务用 gpt-4o-mini，复杂任务用 gpt-4o
– 提示词优化：精简提示词，减少 token 消耗
## 5. 安全最佳实践
– 输入验证：检查输入长度、格式，防止注入攻击
– 输出过滤：过滤敏感信息（电话号码、身份证、邮箱）
– 权限控制：限制 Agent 可访问的工具和数据范围