1. 项目概述为什么我们需要摘要链如果你正在用LangChain处理长文本无论是技术文档、市场报告还是用户反馈一个绕不开的痛点就是信息太长了。直接扔给大模型LLM吧它可能因为上下文长度限制而“消化不良”或者处理速度慢、成本高。这时候一个结构化的、可编程的文本摘要流程就显得至关重要。这不仅仅是“把长文变短”而是如何高效、准确、可控地从海量信息中提炼出核心价值。load_summarize_chain就是LangChain为这个场景量身打造的核心武器。它不是一个简单的函数调用而是一个预构建的、高度可配置的“摘要流水线”。很多新手在初次接触时容易把它当成一个黑盒工具输入文档输出摘要。但真正要“精通”你必须理解这条流水线内部的阀门、滤网和组装逻辑。它能帮你处理单文档、多文档支持“Map-Reduce”、“Refine”等不同策略以适应不同精度和成本的要求。简单说掌握了它你就掌握了用代码驾驭大模型进行信息浓缩的主动权。2. 核心思路拆解摘要链的四种“烹饪”策略理解load_summarize_chain首先要明白它提供了几种不同的“烹饪”长文本大餐的策略。每种策略在效果、速度和成本上各有权衡就像中餐里的炒、炖、蒸、烤适合不同的食材文本和口味需求要求。2.1stuff策略一锅烩这是最直接的方法。把所有的原始文档内容经过分割后一次性全部塞进LLM的上下文窗口然后要求模型生成一个总结。工作原理chain_typestuff。LangChain会将所有文档片段拼接成一个长提示词连同你的总结指令一并发送给LLM。优点简单高效只需一次LLM调用速度快。上下文连贯模型能一次性看到全部信息理论上生成的总结连贯性最好不易丢失跨片段的关键关联。缺点与坑点上下文长度限制这是最大的瓶颈。如果文档总长度超过LLM的上下文限制如GPT-3.5-turbo的16K或某些模型的128K就会直接报错。成本可能更高对于超长文本虽然只调用一次但输入的Token数巨大按输入Token计费的模型会导致单次调用成本陡增。信息过载即使未超限过多的信息也可能让模型“分心”反而抓不住重点。实操心得stuff策略只适用于总结较短的文档集合总长度明确小于你所选用LLM的上下文限制并预留出指令和输出结果的空间。通常用于单篇博客文章、短报告的总结。2.2map_reduce策略化整为零归纳汇总这是处理长文档最经典、最常用的策略。它模仿了分布式计算的Map-Reduce思想分为两个阶段。工作原理chain_typemap_reduce。Map映射阶段将长文档分割成多个较小的、可能重叠的块chunks。独立地将每个块发送给LLM要求模型为这个块生成一个初步的摘要。这个过程可以并行执行如果LLM接口支持以提高速度。Reduce归纳阶段将所有块生成的初步摘要这些摘要本身已经是浓缩过的文本收集起来。如果这些摘要的总长度仍然很长可以递归地进行多轮Reduce即把上一轮的摘要再分割、再摘要。最后将所有这些初步摘要或最后一轮的摘要集合再次发送给LLM要求模型基于这些中间摘要生成一个最终的、全局的总结。优点突破长度限制可以处理任意长度的文档因为每个Map步骤只处理一小块。并行化潜力Map阶段对各个块的处理相互独立适合并发调用大幅提升长文档处理速度。结构化清晰流程明确易于调试和监控中间结果。缺点与坑点可能丢失全局上下文在Map阶段模型只看一个局部块可能无法理解需要跨多个块才能捕捉的宏观结构或核心论点。多次调用成本LLM调用次数 Map调用次数 Reduce调用次数。对于文档总调用次数可能不少。摘要的摘要可能失真经过多轮摘要最终结果可能过度简化或偏离原文一些细微的差别。2.3refine策略迭代润色渐入佳境这是一种迭代式的、更注重摘要质量连续提升的策略。工作原理chain_typerefine。处理第一个文档块生成一个初始摘要。处理第二个文档块时LangChain会将当前的摘要和新的文档块内容一起发给LLM。指令是“这是目前已有的摘要请结合以下新信息更新和完善这个摘要。”重复步骤2依次处理后续所有文档块。每个步骤都基于前序摘要和当前新内容迭代地“精炼”出更好的摘要。优点摘要质量高模型在每一步都能基于已有的总结框架融入新信息有利于生成连贯、全面、结构化的最终摘要尤其适合需要保持叙事线或论证逻辑的文档。上下文传递有效解决了map_reduce可能丢失跨块上下文的问题。缺点与坑点无法并行这是一个严格的串行过程处理速度最慢因为必须等上一步完成才能进行下一步。调用次数多LLM调用次数等于文档块的数量对于长文档成本较高。错误累积风险如果中间某一步生成的摘要出现偏差这个偏差会传递给后续所有步骤可能导致最终结果跑偏。2.4map_rerank策略打分排序优中选优这种策略较少用于纯摘要更多用于问答或信息提取但理解它有助于全面认识链类型。它先为每个文档块生成一个答案并评分然后选择分数最高的答案作为最终输出。对于摘要场景可以理解为让模型为每个块的“重要性”或“代表性”打分。核心选择建议文档短追求简单快选stuff。文档非常长追求速度和可扩展性选map_reduce。文档长且对摘要质量、连贯性要求极高选refine接受更慢的速度和更高的成本。需要从多个候选摘要中挑选最佳可以考虑map_rerank的思路进行定制。3. 从零开始构建你的第一个摘要链理论说再多不如动手跑一遍。我们从一个最简单的例子开始使用stuff策略总结一篇短文。3.1 环境准备与基础依赖首先确保你的环境已经安装了LangChain和必要的模型接入包。这里我们以OpenAI的模型为例。pip install langchain langchain-openai接下来在Python中设置环境变量并初始化一个LLM。强烈建议将API Key放在环境变量中而不是硬编码在代码里。import os from langchain_openai import ChatOpenAI from langchain.chains.summarize import load_summarize_chain from langchain.docstore.document import Document # 假设你的OpenAI API Key已设置在环境变量 OPENAI_API_KEY 中 # 如果没有可以临时设置os.environ[OPENAI_API_KEY] your-api-key-here # 初始化一个LLM例如gpt-3.5-turbo温度调低使输出更稳定 llm ChatOpenAI(modelgpt-3.5-turbo, temperature0)3.2 准备待总结的文档load_summarize_chain处理的对象是Document对象的列表。Document是LangChain中表示文本块的基本单元主要包含page_content和metadata。# 假设我们有一篇关于机器学习的长文这里用一段短文模拟 long_text 机器学习是人工智能的一个子领域它使计算机系统能够从数据中学习和改进而无需进行明确的编程。 监督学习是最常见的机器学习类型其中模型使用标记数据进行训练。例如一个垃圾邮件过滤器通过查看许多标记为“垃圾邮件”或“非垃圾邮件”的电子邮件示例来学习分类。 无监督学习涉及在数据中寻找模式而不使用预先存在的标签。聚类和降维是无监督学习的常见任务。 强化学习是一种不同的范式其中智能体通过与环境互动并获得奖励或惩罚来学习采取行动以最大化累积奖励。 机器学习现已广泛应用于各个领域包括推荐系统、计算机视觉、自然语言处理和自动驾驶汽车。 # 将文本转换为Document对象。对于长文本通常需要先进行分割。 # 这里因为文本短我们直接将其作为一个Document。 docs [Document(page_contentlong_text)] # 如果是真正的长文档你需要使用文本分割器例如 # from langchain.text_splitter import RecursiveCharacterTextSplitter # text_splitter RecursiveCharacterTextSplitter(chunk_size1000, chunk_overlap200) # docs text_splitter.create_documents([long_text])3.3 加载并运行摘要链现在使用load_summarize_chain函数创建链。这是最核心的一步。# 创建链指定链类型为 stuff chain load_summarize_chain(llm, chain_typestuff) # 运行链传入文档列表 summary chain.invoke(docs) print(summary[output_text])运行上述代码你会得到一个类似于下面的摘要“机器学习是人工智能的一个分支使计算机能从数据中自主学习而无需显式编程。主要包括监督学习使用标记数据训练如垃圾邮件过滤、无监督学习寻找无标签数据中的模式如聚类和强化学习智能体通过环境互动奖励学习。其应用广泛涵盖推荐系统、计算机视觉、自然语言处理和自动驾驶等领域。”你看链自动处理了提示词构造、调用LLM和解析输出的全过程。我们只是定义了“做什么”总结和“怎么做”用stuff策略剩下的都交给了LangChain。4. 深入实战配置与定制你的摘要流水线基础用法只是冰山一角。load_summarize_chain的强大之处在于其丰富的可配置性。让我们深入看看如何定制它。4.1 自定义提示词Prompt默认的提示词是英文的比如“Summarize the following content:”。但在中文场景下或者你有特殊的摘要要求如“以技术总监的口吻总结”、“突出其中的风险点”就必须自定义提示词。load_summarize_chain对于不同的chain_type需要不同的提示词。主要涉及两种prompt用于stuff链或map_reduce和refine的Map阶段。combine_prompt用于map_reduce链的Reduce阶段。refine_prompt和initial_prompt用于refine链。from langchain.prompts import PromptTemplate # 1. 自定义Map阶段的提示词也适用于stuff链 map_prompt_template 请对以下文本片段撰写一个简洁的摘要 {text} 摘要 map_prompt PromptTemplate(templatemap_prompt_template, input_variables[text]) # 2. 自定义Reduce阶段的提示词 combine_prompt_template 你是一名技术分析师请根据以下一组文本片段的摘要整合出一份全面的技术报告摘要。 要求用中文输出分点列出核心技术和应用场景。 {text} 整合后的摘要 combine_prompt PromptTemplate(templatecombine_prompt_template, input_variables[text]) # 3. 使用自定义提示词创建 map_reduce 链 chain load_summarize_chain( llm, chain_typemap_reduce, map_promptmap_prompt, combine_promptcombine_prompt, verboseTrue # 开启详细日志可以看到链的思考过程非常利于调试 ) # 假设 docs 是你的长文档分割后的列表 # summary chain.invoke(docs)关键提示verboseTrue参数极其有用。当链运行时它会在控制台打印出每个步骤发送给LLM的提示词和返回的响应是调试和优化提示词的利器。4.2 处理超长文档与递归Reduce在map_reduce策略中如果Map阶段产生了非常多的中间摘要导致它们在Reduce阶段仍然超过LLM上下文限制怎么办LangChain已经内置了处理机制。load_summarize_chain在chain_typemap_reduce时会自动处理递归Reduce。其内部逻辑是如果所有中间摘要合并后太长它会先将这些摘要分割成多个组。对每个组分别进行Reduce生成一组新的、更高级的摘要。检查新摘要集合是否还太长如果是则重复步骤1和2。直到最终剩下的摘要数量足够少可以一次性合并成最终摘要。这个过程由token_max等参数控制不同版本参数名可能略有差异需查证最新文档。通常你不需要手动干预链会自动处理。4.3 集成文本分割器Text Splitter在实际项目中你的输入可能是一个PDF文件、一个网页URL或一个数据库字段。你需要先将这些原始数据转换成文本然后分割成适合处理的块。文本分割是摘要流水线的“预处理工序”至关重要。from langchain_community.document_loaders import WebBaseLoader from langchain.text_splitter import RecursiveCharacterTextSplitter # 1. 加载文档 loader WebBaseLoader(https://example.com/some-long-article) raw_docs loader.load() # 返回一个Document列表通常只有一个元素包含整个网页文本 # 2. 分割文档 text_splitter RecursiveCharacterTextSplitter( chunk_size1000, # 每个块的最大字符数 chunk_overlap200, # 块之间的重叠字符数防止上下文断裂 length_functionlen, separators[\n\n, \n, 。, , , , , , ] # 中文友好的分隔符 ) docs text_splitter.split_documents(raw_docs) print(f原始文档被分割成了 {len(docs)} 个块。) # 3. 现在可以将 docs 送入摘要链 chain load_summarize_chain(llm, chain_typemap_reduce, verboseTrue) result chain.invoke(docs)分割器选择与参数调优chunk_size这是最重要的参数。它需要小于LLM的上下文窗口并预留出提示词和输出空间。对于摘要任务通常500-1500是个不错的起点。chunk_overlap重叠部分能确保关键信息比如一个段落的后半句和下一段的前半句不被生硬地切分到两个块里对于保持语义连贯性很有帮助。一般设为chunk_size的10%-20%。RecursiveCharacterTextSplitter是通用性最好的分割器它会按你提供的separators列表顺序尝试分割。5. 高级应用与性能优化当你熟悉了基本操作后可以关注以下高级主题来提升生产环境的可靠性和效率。5.1 异步Async调用如果你的应用是Web服务如FastAPI或者需要同时处理多个文档使用异步接口可以避免阻塞极大提升吞吐量。import asyncio async def async_summarize(docs): chain load_summarize_chain(llm, chain_typemap_reduce) # 注意使用 ainvoke 而不是 invoke result await chain.ainvoke(docs) return result # 在异步函数中调用 # asyncio.run(async_summarize(docs))5.2 使用替代LLM与模型降本OpenAI的GPT系列虽然效果好但成本较高。对于摘要这种对“创造性”要求相对较低的任务完全可以使用更经济或本地部署的模型。# 示例1使用开源模型通过Ollama本地运行 from langchain_community.llms import Ollama llm Ollama(modelllama3:8b) # 假设本地已运行Ollama并拉取了模型 # 示例2使用国内大模型API如DeepSeek from langchain_openai import ChatOpenAI # 通过OpenAI兼容的接口调用 llm ChatOpenAI( base_urlhttps://api.deepseek.com/v1, api_keyyour-deepseek-key, modeldeepseek-chat ) # 创建链的代码完全不变 chain load_summarize_chain(llm, chain_typemap_reduce)模型选型心得对于摘要任务模型的“理解”和“归纳”能力比“创作”能力更重要。许多7B-13B参数量的优秀开源模型如Llama 3, Qwen, DeepSeek Coder在精心设计的提示词下完全能满足业务摘要需求成本却低得多。关键是做好提示词工程。5.3 与RAG检索增强生成结合摘要链可以成为RAG管道中的一个环节。例如在RAG中你先从知识库中检索出与问题相关的文档片段但这些片段可能仍然很多很杂。此时你可以先用一个摘要链对这些相关片段进行浓缩再将浓缩后的摘要交给LLM生成最终答案这样可以提高答案质量并减少上下文长度。# 伪代码示例RAG 摘要 retrieved_docs vectorstore.similarity_search(user_question) # 1. 检索相关文档 if len(retrieved_docs) 3: # 如果检索结果太多 summarizer_chain load_summarize_chain(llm, chain_typestuff) condensed_context summarizer_chain.invoke(retrieved_docs[:5])[output_text] # 2. 摘要浓缩 else: condensed_context \n.join([doc.page_content for doc in retrieved_docs]) final_prompt f 基于以下背景信息 {condensed_context} 请回答这个问题{user_question} answer llm.invoke(final_prompt) # 3. 基于浓缩上下文生成答案6. 避坑指南与常见问题排查在实际使用中你肯定会遇到各种问题。下面是一些我踩过的坑和解决方案。6.1 错误“Prompt after formatting is too long”问题描述使用stuff策略时报错提示格式化后的提示词太长。原因所有文档内容系统提示用户指令的总长度超过了LLM的上下文限制。解决方案换用map_reduce或refine策略这是最根本的解决方案。优化文本分割检查你的chunk_size是否设置得过大。确保单个块的长度合理。精简自定义提示词检查你的prompt或combine_prompt是否过于冗长。6.2 错误摘要质量差遗漏关键信息问题描述生成的摘要看起来泛泛而谈或者丢失了原文中的重要数据、结论。原因与排查分割不当关键信息被分割在两个块的边缘且chunk_overlap设置太小导致模型看不到完整信息。解决增大chunk_overlap例如到200-300或尝试按语义分割如使用SemanticChunker但更复杂。提示词不明确默认的“Summarize this”指令太模糊。解决定制提示词明确要求。例如“请总结以下技术文档务必包含文中提到的三个主要性能指标数据{text}”。链类型选择不当对于结构严谨、逻辑递进的文档如论文、法律文件stuff或map_reduce可能破坏其结构。解决尝试使用refine策略它更利于保持逻辑连贯性。模型能力不足如果使用了能力较弱的小模型可能无法从长文中准确提取要点。解决升级模型或在提示词中提供更详细的指引如“请按背景、方法、结果、结论的结构进行总结”。6.3 性能瓶颈处理速度太慢问题描述处理一个长文档需要几分钟甚至更久。原因与优化串行调用refine策略天生串行慢是正常的。如果必须用refine考虑是否能用map_reduce替代。网络延迟与同步调用每次LLM API调用都有网络往返时间。优化使用异步 (ainvoke)如5.1节所述。增加并发对于map_reduce的Map阶段如果后端API支持例如OpenAI的批处理API可以探索使用LangChain的异步批量调用方法或者用asyncio.gather包装多个调用。使用更快的模型某些模型的响应速度更快。文档分割过细如果chunk_size设置得太小比如200会导致块数量爆炸Map阶段调用次数剧增。优化在保证不超过上下文限制的前提下适当增加chunk_size。6.4 如何获取中间结果需求在map_reduce过程中我想看看每个块生成的初步摘要是什么以便调试。解决方案除了使用verboseTrue在控制台查看你还可以通过自定义回调函数Callback来捕获和存储这些中间结果。LangChain提供了丰富的回调系统可以挂钩到链的各个生命周期。from langchain.callbacks import StdOutCallbackHandler callbacks [StdOutCallbackHandler()] # 标准输出回调 chain load_summarize_chain(llm, chain_typemap_reduce, callbackscallbacks, verboseTrue) # 运行时会打印详细日志包括中间步骤的输入输出。对于更复杂的处理你可以编写自定义回调函数将中间结果写入文件或数据库。掌握load_summarize_chain的核心在于理解它不是一个魔法函数而是一个提供了多种策略框架的“工具箱”。你需要根据文档的长度、对质量和速度的要求、以及成本预算来选择合适的工具链类型并正确配置它提示词、分割器。从简单的stuff开始逐步深入到可处理任意长度文档的map_reduce和追求高质量的refine再通过自定义提示词、异步调用、模型选型等技巧进行优化和定制你就能构建出强大且高效的自动摘要系统真正让大模型成为你处理信息洪流的得力助手。 LangChain摘要链实战指南：四种策略对比与性能优化
1. 项目概述为什么我们需要摘要链如果你正在用LangChain处理长文本无论是技术文档、市场报告还是用户反馈一个绕不开的痛点就是信息太长了。直接扔给大模型LLM吧它可能因为上下文长度限制而“消化不良”或者处理速度慢、成本高。这时候一个结构化的、可编程的文本摘要流程就显得至关重要。这不仅仅是“把长文变短”而是如何高效、准确、可控地从海量信息中提炼出核心价值。load_summarize_chain就是LangChain为这个场景量身打造的核心武器。它不是一个简单的函数调用而是一个预构建的、高度可配置的“摘要流水线”。很多新手在初次接触时容易把它当成一个黑盒工具输入文档输出摘要。但真正要“精通”你必须理解这条流水线内部的阀门、滤网和组装逻辑。它能帮你处理单文档、多文档支持“Map-Reduce”、“Refine”等不同策略以适应不同精度和成本的要求。简单说掌握了它你就掌握了用代码驾驭大模型进行信息浓缩的主动权。2. 核心思路拆解摘要链的四种“烹饪”策略理解load_summarize_chain首先要明白它提供了几种不同的“烹饪”长文本大餐的策略。每种策略在效果、速度和成本上各有权衡就像中餐里的炒、炖、蒸、烤适合不同的食材文本和口味需求要求。2.1stuff策略一锅烩这是最直接的方法。把所有的原始文档内容经过分割后一次性全部塞进LLM的上下文窗口然后要求模型生成一个总结。工作原理chain_typestuff。LangChain会将所有文档片段拼接成一个长提示词连同你的总结指令一并发送给LLM。优点简单高效只需一次LLM调用速度快。上下文连贯模型能一次性看到全部信息理论上生成的总结连贯性最好不易丢失跨片段的关键关联。缺点与坑点上下文长度限制这是最大的瓶颈。如果文档总长度超过LLM的上下文限制如GPT-3.5-turbo的16K或某些模型的128K就会直接报错。成本可能更高对于超长文本虽然只调用一次但输入的Token数巨大按输入Token计费的模型会导致单次调用成本陡增。信息过载即使未超限过多的信息也可能让模型“分心”反而抓不住重点。实操心得stuff策略只适用于总结较短的文档集合总长度明确小于你所选用LLM的上下文限制并预留出指令和输出结果的空间。通常用于单篇博客文章、短报告的总结。2.2map_reduce策略化整为零归纳汇总这是处理长文档最经典、最常用的策略。它模仿了分布式计算的Map-Reduce思想分为两个阶段。工作原理chain_typemap_reduce。Map映射阶段将长文档分割成多个较小的、可能重叠的块chunks。独立地将每个块发送给LLM要求模型为这个块生成一个初步的摘要。这个过程可以并行执行如果LLM接口支持以提高速度。Reduce归纳阶段将所有块生成的初步摘要这些摘要本身已经是浓缩过的文本收集起来。如果这些摘要的总长度仍然很长可以递归地进行多轮Reduce即把上一轮的摘要再分割、再摘要。最后将所有这些初步摘要或最后一轮的摘要集合再次发送给LLM要求模型基于这些中间摘要生成一个最终的、全局的总结。优点突破长度限制可以处理任意长度的文档因为每个Map步骤只处理一小块。并行化潜力Map阶段对各个块的处理相互独立适合并发调用大幅提升长文档处理速度。结构化清晰流程明确易于调试和监控中间结果。缺点与坑点可能丢失全局上下文在Map阶段模型只看一个局部块可能无法理解需要跨多个块才能捕捉的宏观结构或核心论点。多次调用成本LLM调用次数 Map调用次数 Reduce调用次数。对于文档总调用次数可能不少。摘要的摘要可能失真经过多轮摘要最终结果可能过度简化或偏离原文一些细微的差别。2.3refine策略迭代润色渐入佳境这是一种迭代式的、更注重摘要质量连续提升的策略。工作原理chain_typerefine。处理第一个文档块生成一个初始摘要。处理第二个文档块时LangChain会将当前的摘要和新的文档块内容一起发给LLM。指令是“这是目前已有的摘要请结合以下新信息更新和完善这个摘要。”重复步骤2依次处理后续所有文档块。每个步骤都基于前序摘要和当前新内容迭代地“精炼”出更好的摘要。优点摘要质量高模型在每一步都能基于已有的总结框架融入新信息有利于生成连贯、全面、结构化的最终摘要尤其适合需要保持叙事线或论证逻辑的文档。上下文传递有效解决了map_reduce可能丢失跨块上下文的问题。缺点与坑点无法并行这是一个严格的串行过程处理速度最慢因为必须等上一步完成才能进行下一步。调用次数多LLM调用次数等于文档块的数量对于长文档成本较高。错误累积风险如果中间某一步生成的摘要出现偏差这个偏差会传递给后续所有步骤可能导致最终结果跑偏。2.4map_rerank策略打分排序优中选优这种策略较少用于纯摘要更多用于问答或信息提取但理解它有助于全面认识链类型。它先为每个文档块生成一个答案并评分然后选择分数最高的答案作为最终输出。对于摘要场景可以理解为让模型为每个块的“重要性”或“代表性”打分。核心选择建议文档短追求简单快选stuff。文档非常长追求速度和可扩展性选map_reduce。文档长且对摘要质量、连贯性要求极高选refine接受更慢的速度和更高的成本。需要从多个候选摘要中挑选最佳可以考虑map_rerank的思路进行定制。3. 从零开始构建你的第一个摘要链理论说再多不如动手跑一遍。我们从一个最简单的例子开始使用stuff策略总结一篇短文。3.1 环境准备与基础依赖首先确保你的环境已经安装了LangChain和必要的模型接入包。这里我们以OpenAI的模型为例。pip install langchain langchain-openai接下来在Python中设置环境变量并初始化一个LLM。强烈建议将API Key放在环境变量中而不是硬编码在代码里。import os from langchain_openai import ChatOpenAI from langchain.chains.summarize import load_summarize_chain from langchain.docstore.document import Document # 假设你的OpenAI API Key已设置在环境变量 OPENAI_API_KEY 中 # 如果没有可以临时设置os.environ[OPENAI_API_KEY] your-api-key-here # 初始化一个LLM例如gpt-3.5-turbo温度调低使输出更稳定 llm ChatOpenAI(modelgpt-3.5-turbo, temperature0)3.2 准备待总结的文档load_summarize_chain处理的对象是Document对象的列表。Document是LangChain中表示文本块的基本单元主要包含page_content和metadata。# 假设我们有一篇关于机器学习的长文这里用一段短文模拟 long_text 机器学习是人工智能的一个子领域它使计算机系统能够从数据中学习和改进而无需进行明确的编程。 监督学习是最常见的机器学习类型其中模型使用标记数据进行训练。例如一个垃圾邮件过滤器通过查看许多标记为“垃圾邮件”或“非垃圾邮件”的电子邮件示例来学习分类。 无监督学习涉及在数据中寻找模式而不使用预先存在的标签。聚类和降维是无监督学习的常见任务。 强化学习是一种不同的范式其中智能体通过与环境互动并获得奖励或惩罚来学习采取行动以最大化累积奖励。 机器学习现已广泛应用于各个领域包括推荐系统、计算机视觉、自然语言处理和自动驾驶汽车。 # 将文本转换为Document对象。对于长文本通常需要先进行分割。 # 这里因为文本短我们直接将其作为一个Document。 docs [Document(page_contentlong_text)] # 如果是真正的长文档你需要使用文本分割器例如 # from langchain.text_splitter import RecursiveCharacterTextSplitter # text_splitter RecursiveCharacterTextSplitter(chunk_size1000, chunk_overlap200) # docs text_splitter.create_documents([long_text])3.3 加载并运行摘要链现在使用load_summarize_chain函数创建链。这是最核心的一步。# 创建链指定链类型为 stuff chain load_summarize_chain(llm, chain_typestuff) # 运行链传入文档列表 summary chain.invoke(docs) print(summary[output_text])运行上述代码你会得到一个类似于下面的摘要“机器学习是人工智能的一个分支使计算机能从数据中自主学习而无需显式编程。主要包括监督学习使用标记数据训练如垃圾邮件过滤、无监督学习寻找无标签数据中的模式如聚类和强化学习智能体通过环境互动奖励学习。其应用广泛涵盖推荐系统、计算机视觉、自然语言处理和自动驾驶等领域。”你看链自动处理了提示词构造、调用LLM和解析输出的全过程。我们只是定义了“做什么”总结和“怎么做”用stuff策略剩下的都交给了LangChain。4. 深入实战配置与定制你的摘要流水线基础用法只是冰山一角。load_summarize_chain的强大之处在于其丰富的可配置性。让我们深入看看如何定制它。4.1 自定义提示词Prompt默认的提示词是英文的比如“Summarize the following content:”。但在中文场景下或者你有特殊的摘要要求如“以技术总监的口吻总结”、“突出其中的风险点”就必须自定义提示词。load_summarize_chain对于不同的chain_type需要不同的提示词。主要涉及两种prompt用于stuff链或map_reduce和refine的Map阶段。combine_prompt用于map_reduce链的Reduce阶段。refine_prompt和initial_prompt用于refine链。from langchain.prompts import PromptTemplate # 1. 自定义Map阶段的提示词也适用于stuff链 map_prompt_template 请对以下文本片段撰写一个简洁的摘要 {text} 摘要 map_prompt PromptTemplate(templatemap_prompt_template, input_variables[text]) # 2. 自定义Reduce阶段的提示词 combine_prompt_template 你是一名技术分析师请根据以下一组文本片段的摘要整合出一份全面的技术报告摘要。 要求用中文输出分点列出核心技术和应用场景。 {text} 整合后的摘要 combine_prompt PromptTemplate(templatecombine_prompt_template, input_variables[text]) # 3. 使用自定义提示词创建 map_reduce 链 chain load_summarize_chain( llm, chain_typemap_reduce, map_promptmap_prompt, combine_promptcombine_prompt, verboseTrue # 开启详细日志可以看到链的思考过程非常利于调试 ) # 假设 docs 是你的长文档分割后的列表 # summary chain.invoke(docs)关键提示verboseTrue参数极其有用。当链运行时它会在控制台打印出每个步骤发送给LLM的提示词和返回的响应是调试和优化提示词的利器。4.2 处理超长文档与递归Reduce在map_reduce策略中如果Map阶段产生了非常多的中间摘要导致它们在Reduce阶段仍然超过LLM上下文限制怎么办LangChain已经内置了处理机制。load_summarize_chain在chain_typemap_reduce时会自动处理递归Reduce。其内部逻辑是如果所有中间摘要合并后太长它会先将这些摘要分割成多个组。对每个组分别进行Reduce生成一组新的、更高级的摘要。检查新摘要集合是否还太长如果是则重复步骤1和2。直到最终剩下的摘要数量足够少可以一次性合并成最终摘要。这个过程由token_max等参数控制不同版本参数名可能略有差异需查证最新文档。通常你不需要手动干预链会自动处理。4.3 集成文本分割器Text Splitter在实际项目中你的输入可能是一个PDF文件、一个网页URL或一个数据库字段。你需要先将这些原始数据转换成文本然后分割成适合处理的块。文本分割是摘要流水线的“预处理工序”至关重要。from langchain_community.document_loaders import WebBaseLoader from langchain.text_splitter import RecursiveCharacterTextSplitter # 1. 加载文档 loader WebBaseLoader(https://example.com/some-long-article) raw_docs loader.load() # 返回一个Document列表通常只有一个元素包含整个网页文本 # 2. 分割文档 text_splitter RecursiveCharacterTextSplitter( chunk_size1000, # 每个块的最大字符数 chunk_overlap200, # 块之间的重叠字符数防止上下文断裂 length_functionlen, separators[\n\n, \n, 。, , , , , , ] # 中文友好的分隔符 ) docs text_splitter.split_documents(raw_docs) print(f原始文档被分割成了 {len(docs)} 个块。) # 3. 现在可以将 docs 送入摘要链 chain load_summarize_chain(llm, chain_typemap_reduce, verboseTrue) result chain.invoke(docs)分割器选择与参数调优chunk_size这是最重要的参数。它需要小于LLM的上下文窗口并预留出提示词和输出空间。对于摘要任务通常500-1500是个不错的起点。chunk_overlap重叠部分能确保关键信息比如一个段落的后半句和下一段的前半句不被生硬地切分到两个块里对于保持语义连贯性很有帮助。一般设为chunk_size的10%-20%。RecursiveCharacterTextSplitter是通用性最好的分割器它会按你提供的separators列表顺序尝试分割。5. 高级应用与性能优化当你熟悉了基本操作后可以关注以下高级主题来提升生产环境的可靠性和效率。5.1 异步Async调用如果你的应用是Web服务如FastAPI或者需要同时处理多个文档使用异步接口可以避免阻塞极大提升吞吐量。import asyncio async def async_summarize(docs): chain load_summarize_chain(llm, chain_typemap_reduce) # 注意使用 ainvoke 而不是 invoke result await chain.ainvoke(docs) return result # 在异步函数中调用 # asyncio.run(async_summarize(docs))5.2 使用替代LLM与模型降本OpenAI的GPT系列虽然效果好但成本较高。对于摘要这种对“创造性”要求相对较低的任务完全可以使用更经济或本地部署的模型。# 示例1使用开源模型通过Ollama本地运行 from langchain_community.llms import Ollama llm Ollama(modelllama3:8b) # 假设本地已运行Ollama并拉取了模型 # 示例2使用国内大模型API如DeepSeek from langchain_openai import ChatOpenAI # 通过OpenAI兼容的接口调用 llm ChatOpenAI( base_urlhttps://api.deepseek.com/v1, api_keyyour-deepseek-key, modeldeepseek-chat ) # 创建链的代码完全不变 chain load_summarize_chain(llm, chain_typemap_reduce)模型选型心得对于摘要任务模型的“理解”和“归纳”能力比“创作”能力更重要。许多7B-13B参数量的优秀开源模型如Llama 3, Qwen, DeepSeek Coder在精心设计的提示词下完全能满足业务摘要需求成本却低得多。关键是做好提示词工程。5.3 与RAG检索增强生成结合摘要链可以成为RAG管道中的一个环节。例如在RAG中你先从知识库中检索出与问题相关的文档片段但这些片段可能仍然很多很杂。此时你可以先用一个摘要链对这些相关片段进行浓缩再将浓缩后的摘要交给LLM生成最终答案这样可以提高答案质量并减少上下文长度。# 伪代码示例RAG 摘要 retrieved_docs vectorstore.similarity_search(user_question) # 1. 检索相关文档 if len(retrieved_docs) 3: # 如果检索结果太多 summarizer_chain load_summarize_chain(llm, chain_typestuff) condensed_context summarizer_chain.invoke(retrieved_docs[:5])[output_text] # 2. 摘要浓缩 else: condensed_context \n.join([doc.page_content for doc in retrieved_docs]) final_prompt f 基于以下背景信息 {condensed_context} 请回答这个问题{user_question} answer llm.invoke(final_prompt) # 3. 基于浓缩上下文生成答案6. 避坑指南与常见问题排查在实际使用中你肯定会遇到各种问题。下面是一些我踩过的坑和解决方案。6.1 错误“Prompt after formatting is too long”问题描述使用stuff策略时报错提示格式化后的提示词太长。原因所有文档内容系统提示用户指令的总长度超过了LLM的上下文限制。解决方案换用map_reduce或refine策略这是最根本的解决方案。优化文本分割检查你的chunk_size是否设置得过大。确保单个块的长度合理。精简自定义提示词检查你的prompt或combine_prompt是否过于冗长。6.2 错误摘要质量差遗漏关键信息问题描述生成的摘要看起来泛泛而谈或者丢失了原文中的重要数据、结论。原因与排查分割不当关键信息被分割在两个块的边缘且chunk_overlap设置太小导致模型看不到完整信息。解决增大chunk_overlap例如到200-300或尝试按语义分割如使用SemanticChunker但更复杂。提示词不明确默认的“Summarize this”指令太模糊。解决定制提示词明确要求。例如“请总结以下技术文档务必包含文中提到的三个主要性能指标数据{text}”。链类型选择不当对于结构严谨、逻辑递进的文档如论文、法律文件stuff或map_reduce可能破坏其结构。解决尝试使用refine策略它更利于保持逻辑连贯性。模型能力不足如果使用了能力较弱的小模型可能无法从长文中准确提取要点。解决升级模型或在提示词中提供更详细的指引如“请按背景、方法、结果、结论的结构进行总结”。6.3 性能瓶颈处理速度太慢问题描述处理一个长文档需要几分钟甚至更久。原因与优化串行调用refine策略天生串行慢是正常的。如果必须用refine考虑是否能用map_reduce替代。网络延迟与同步调用每次LLM API调用都有网络往返时间。优化使用异步 (ainvoke)如5.1节所述。增加并发对于map_reduce的Map阶段如果后端API支持例如OpenAI的批处理API可以探索使用LangChain的异步批量调用方法或者用asyncio.gather包装多个调用。使用更快的模型某些模型的响应速度更快。文档分割过细如果chunk_size设置得太小比如200会导致块数量爆炸Map阶段调用次数剧增。优化在保证不超过上下文限制的前提下适当增加chunk_size。6.4 如何获取中间结果需求在map_reduce过程中我想看看每个块生成的初步摘要是什么以便调试。解决方案除了使用verboseTrue在控制台查看你还可以通过自定义回调函数Callback来捕获和存储这些中间结果。LangChain提供了丰富的回调系统可以挂钩到链的各个生命周期。from langchain.callbacks import StdOutCallbackHandler callbacks [StdOutCallbackHandler()] # 标准输出回调 chain load_summarize_chain(llm, chain_typemap_reduce, callbackscallbacks, verboseTrue) # 运行时会打印详细日志包括中间步骤的输入输出。对于更复杂的处理你可以编写自定义回调函数将中间结果写入文件或数据库。掌握load_summarize_chain的核心在于理解它不是一个魔法函数而是一个提供了多种策略框架的“工具箱”。你需要根据文档的长度、对质量和速度的要求、以及成本预算来选择合适的工具链类型并正确配置它提示词、分割器。从简单的stuff开始逐步深入到可处理任意长度文档的map_reduce和追求高质量的refine再通过自定义提示词、异步调用、模型选型等技巧进行优化和定制你就能构建出强大且高效的自动摘要系统真正让大模型成为你处理信息洪流的得力助手。