AI开发-python-langchain框架（3-14-并行流程 ）
基于上节的内容如何将流程改为如下：LangChain 并行执行实战：三步高效生成高质量长文
在大模型应用开发中，我们经常需要同时生成多个关联内容，再基于这些内容完成最终的复杂任务。传统的串行执行方式效率低下，而 LangChain 提供的并行执行能力，能完美解决这个问题，大幅提升内容生成的效率与逻辑完整性。今天就和大家分享一个基于 LangChain 构建的智能文章生成方案，核心亮点就是并行生成文章大纲 + 写作注意事项，再自动整合生成完整长文，全程自动化、高效率，适配各类专业文章创作场景。一、核心需求拆解
我们的目标是生成一篇专业、结构严谨的长文，创作过程需要三个关键步骤：
[*]围绕指定主题，生成层级清晰、逻辑完整的文章大纲；
[*]针对主题，提炼专业的写作注意事项（包含内容维度、行文风格、逻辑要点）；
[*]结合大纲和注意事项，生成内容详实、字数达标的完整文章。
如果用串行方式，先生成大纲、再生成注意事项，会浪费大量等待时间，而并行执行可以让这两个步骤同时运行，直接缩短一半以上的中间处理耗时。二、核心技术亮点：LangChain 并行执行实现
整个方案的核心，就是借助 LangChain 的 RunnableParallel 实现任务并行处理，这也是区别于普通链式调用的关键：1. 拆分独立子链
首先将「生成大纲」和「生成注意事项」拆分为两个独立的子处理链，两个子链各自绑定专属的提示词模板、大模型和输出解析器，互不干扰，保证生成内容的专业性。2. 并行执行核心逻辑
通过 RunnableParallel 构建并行执行单元，同时触发两个子链的运行：
[*]一边调用模型生成结构化文章大纲；
[*]另一边同步调用模型提炼写作注意事项；
[*]同时保留原始主题参数，无缝传递给后续流程。
这种方式无需等待前一个任务完成，两个任务同步处理，极大提升中间环节的执行效率，这也是大模型批量 / 关联任务处理的最优实践。3. 数据透传与结果整合
并行执行完成后，系统会自动整合三个关键数据：主题、大纲、写作注意事项，并将这些数据精准填充到最终的文章生成模板中，再调用大模型完成全文创作。整个流程无需人工干预，从并行生成中间内容，到整合生成最终文章，形成全自动的创作闭环，既保证了文章的结构严谨性，又严格遵循写作规范，输出内容质量远超单一提示词生成的结果。三、方案优势总结
[*]执行效率翻倍：并行生成大纲和注意事项，告别串行等待，大幅缩短处理时间；
[*]逻辑高度解耦：三个环节独立设计，可单独调整提示词、模型参数，维护更灵活；
[*]内容质量可控：先定框架、再定规范、最后生成内容，避免文章逻辑混乱、内容跑偏；
[*]扩展性极强：可轻松新增并行任务（如生成关键词、参考文献），适配更多创作场景；
[*]适配私有部署：支持对接本地 / 私有部署的大模型接口，兼顾数据安全与使用灵活性。
四、适用场景
这个基于 LangChain 并行执行的方案，不仅适用于经济趋势、行业分析等专业长文创作，还能无缝适配：
[*]行业报告自动撰写
[*]学术论文框架搭建与正文生成
[*]新媒体爆款文案结构化创作
[*]企业宣传稿、白皮书自动化生成
五、写在最后
LangChain 的并行执行能力，是大模型应用开发中提升效率、优化流程的核心利器。通过将复杂任务拆解为并行子任务，再整合输出最终结果，既能发挥大模型的生成能力，又能通过工程化手段保证效率与质量。这种开发思路，也适用于各类大模型任务场景，是每个大模型应用开发者都值得掌握的实用技巧。后续还可以在此基础上，增加内容校验、分段生成、格式优化等功能，让智能创作更强大、更贴合实际需求。 代码实现：from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableParallel, RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser
from operator import itemgetter
# 模型接入配置
DEEPSEEK_API_KEY = "123"# 替换为实际的 API Key
llm = ChatOpenAI(
api_key=DEEPSEEK_API_KEY,
base_url="http://qwen3-32b-awq.model.xjipc.com/openai/v1",
model="qwen3-32b-awq",
temperature=0.3,
max_tokens=10240,
)
# 1. 生成大纲的提示词模板
outlinePromptTemplate = '''主题：{theme}
请为这个主题撰写一篇专业、结构清晰的文章大纲，要求分章节、有层级，逻辑完整。'''
outlinePrompt = ChatPromptTemplate.from_template(outlinePromptTemplate)
# 2. 生成注意事项的提示词模板
tipsPromptTemplate = '''主题：{theme}
撰写该主题文章时，需要重点关注哪些内容、数据维度、行文风格和逻辑要点？请列出具体的注意事项。'''
tipsPrompt = ChatPromptTemplate.from_template(tipsPromptTemplate)
# 3. 生成完整文章的提示词模板
articlePromptTemplate = '''主题：{theme}
请严格按照以下大纲和注意事项，撰写一篇内容详实、逻辑严谨的完整文章：
### 文章大纲
{outline}
### 写作注意事项
{tips}
要求：内容丰富、语言流畅、符合主题定位，字数不少于1500字。'''
articlePrompt = ChatPromptTemplate.from_template(articlePromptTemplate)
# 输出解析器
strParser = StrOutputParser()
# 构建子链：生成大纲和注意事项
outlineChain = outlinePrompt | llm | strParser
tipsChain = tipsPrompt | llm | strParser
# 并行执行：同时生成大纲和注意事项（保留主题用于后续拼接）
map_chain = RunnableParallel(
outline=outlineChain,
tips=tipsChain,
theme=itemgetter("theme")# 把主题透传下去
)
# 构建完整的文章生成链：先并行生成大纲/注意事项，再拼接生成文章
article_chain = (
map_chain# 第一步：并行生成大纲、注意事项、透传主题
| articlePrompt# 第二步：将第一步的结果填充到文章提示词模板
| llm# 第三步：调用大模型生成文章
| strParser# 第四步：解析输出为字符串
)
# 执行生成
# 文章主题
query = "2024年中国经济走向与运行趋势"
# 方式1：只获取大纲和注意事项（原需求的中间结果）
intermediate_result = map_chain.invoke({"theme": query})
print("=== 生成的大纲和注意事项 ===")
print(f"大纲：\n{intermediate_result['outline']}\n")
print(f"注意事项：\n{intermediate_result['tips']}\n")
# 方式2：直接生成完整文章（核心需求）
print("=== 生成的完整文章 ===")
final_article = article_chain.invoke({"theme": query})
print(final_article)
更多学习资料尽在 老虎网盘资源
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ yyds。多谢分享 yyds。多谢分享
页:
[1]