你应该懂的AI 大模型（五）之 LangChain 之 LCEL

最新推荐文章于 2025-11-02 15:28:32 发布

原创最新推荐文章于 2025-11-02 15:28:32 发布 · 1k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #程序员 #知识库 #吴恩达 #langchain #自然语言处理

部署运行你感兴趣的模型镜像

本文对《LangChain》一文中的 Chain 与 LCEL 部分的示例进行详细的展示。

先回顾下在LangChain框架中，Chain（链） 和 LCEL（LangChain Expression Language） 是两个密切相关但本质不同的概念。

Chain（链）: 是LangChain中处理流程的抽象概念，指将多个组件（模型、工具、逻辑）串联成一个可执行的任务序列。

LangChain Expression Language（LCEL）是一种声明式语言，可轻松组合不同的调用顺序构成 Chain。LCEL 自创立之初就被设计为能够支持将原型投入生产环境，无需代码更改，从最简单的“提示+LLM”链到最复杂的链（已有用户成功在生产环境中运行包含数百个步骤的 LCEL Chain）。

在本文中 LCEL 产生的对象，被叫做 runnable 或 chain，经常两种叫法混用。本质就是一个自定义调用流程。

1、Pipeline 式调用 PromptTemplate, LLM 和 OutputParser

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from pydantic import BaseModel, Field, validator
from typing import List, Dict, Optional
from enum import Enum
import json

# 输出结构
class SortEnum(str, Enum):
    data = 'data'
    price = 'price'


class OrderingEnum(str, Enum):
    ascend = 'ascend'
    descend = 'descend'


class Semantics(BaseModel):
    name: Optional[str] = Field(description="套餐名称", default=None)
    price_lower: Optional[int] = Field(description="价格下限", default=None)
    price_upper: Optional[int] = Field(description="价格上限", default=None)
    data_lower: Optional[int] = Field(description="流量下限", default=None)
    data_upper: Optional[int] = Field(description="流量上限", default=None)
    sort_by: Optional[SortEnum] = Field(description="按价格或流量排序", default=None)
    ordering: Optional[OrderingEnum] = Field(description="升序或降序排列", default=None)


# Prompt 模板
prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个语义解析器。你的任务是将用户的输入解析成JSON表示。不要回答用户的问题。"),
        ("human", "{text}"),
    ]
)

# 模型
llm = ChatOpenAI(model="gpt-4o", temperature=0)

structured_llm = llm.with_structured_output(Semantics)

# LCEL 表达式
runnable = (
    {"text": RunnablePassthrough()} | prompt | structured_llm
)

# 直接运行
ret = runnable.invoke("不超过100元的流量大的套餐有哪些")
print(
    json.dumps(
        ret.dict(),
        indent = 4,
        ensure_ascii=False
    )
)

输出结果如下：

流式输出，就是那种一个字一个字蹦的输出，大家可以用下面代码体验一下玩一玩

prompt = PromptTemplate.from_template("讲个关于{topic}的笑话")

runnable = (
    {"topic": RunnablePassthrough()} | prompt | llm | StrOutputParser()
)

# 流式输出
for s in runnable.stream("李华"):
    print(s, end="", flush=True)

2、用LECL实现RAG

我们通过分割一个 pdf 文件形成向量库，示例如下：

from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_openai import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain_community.document_loaders import PyMuPDFLoader

# 加载文档
loader = PyMuPDFLoader("llama2.pdf")
pages = loader.load_and_split()

# 文档切分
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=300,
    chunk_overlap=100,
    length_function=len,
    add_start_index=True,
)

texts = text_splitter.create_documents(
    [page.page_content for page in pages[:4]]
)

# 灌库
embeddings = OpenAIEmbeddings(model="text-embedding-ada-002")
db = FAISS.from_documents(texts, embeddings)

# 检索 top-2 结果
retriever = db.as_retriever(search_kwargs={"k": 2})

from langchain.schema.output_parser import StrOutputParser
from langchain.schema.runnable import RunnablePassthrough

# Prompt模板
template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)

# Chain
rag_chain = (
    {"question": RunnablePassthrough(), "context": retriever}
    | prompt
    | llm
    | StrOutputParser()
)

rag_chain.invoke("Llama 2有多少参数")

输出结果如下：

3、LECL 的意义是什么

在 LangChain 框架中，LCEL（LangChain Expression Language）的意义主要体现在增强模块间的解耦能力、提升流程编排的灵活性，并为复杂的 LLM（大语言模型）应用构建提供标准化的逻辑表达工具。以下是具体分析：

一、LangChain 中的模块解耦需求

LangChain 的核心目标是通过组合不同的组件（如 LLMs、Prompt 模板、工具调用、内存管理等）构建复杂的应用流程。例如：

组件类型：LLM 调用、工具（如计算器、数据库查询）、内存（对话历史存储）、Prompt 模板、链（Chain，如 SequentialChain、RouterChain）等。
解耦痛点：
传统方式下，组件间的交互逻辑（如条件分支、数据转换、循环控制）可能硬编码在链的代码中，导致：
- 链的逻辑难以复用或动态调整；
- 组件更换（如从 OpenAI 切换到 Anthropic）时，需修改链的控制逻辑；
- 复杂流程（如多轮工具调用、动态路由）的编排缺乏标准化表达。

二、LCEL 的核心意义：作为模块间的 “逻辑中介”

LCEL 是 LangChain 设计的一套声明式表达式语言，用于描述组件间的数据流动和逻辑控制。其核心价值体现在以下方面：

1. 分离逻辑控制与组件实现

传统硬编码问题：
例如，在链中通过 Python 代码实现条件判断：
```
if result.score > 0.8:
    return llm.predict(prompt.format(data=result))
else:
    return tool.query(data=result)
```
此时，条件逻辑与链的代码强耦合，难以复用或动态修改。
LCEL 的解耦作用：
将条件逻辑抽象为 LCEL 表达式，存储在配置中：
```
condition: "{{ score > 0.8 }}"
then:
  action: llm.predict
  params:
    prompt: "用户输入：{{ input }}"
else:
  action: tool.query
  params:
    data: "{{ input }}"
```
- 链的代码仅负责解析 LCEL 表达式，根据结果调用组件；
- 逻辑变更时只需修改表达式，无需调整链的代码，实现 “逻辑外置”。

2. 标准化组件交互协议

LCEL 定义了一套统一的语法规则（如变量引用、运算符、函数调用），作为不同组件间的 “通信语言”：

数据传递：通过 {{ variable }} 引用上游组件的输出（如 LLM 的返回结果、工具的查询数据）。
逻辑操作：支持算术运算（+、-）、条件判断（if-else）、集合操作（map、filter）等，避免不同组件自定义逻辑语法。
函数扩展：可注册自定义函数（如 format_date()、calculate_score()），供表达式调用，实现跨组件的逻辑复用。

示例：
通过 LCEL 表达式编排多步流程：

from langchain.lcel import LCELChain

expression = """
let score = tool.calculate_score(input.data);
if (score > 0.6) {
  return llm.generate(prompt: "高分结果：{{ score }}");
} else {
  return tool.analyze(input.data);
}
"""

chain = LCELChain.from_expression(expression, components={
  "tool": MyCustomTool(),
  "llm": OpenAI(temperature=0.1)
})

组件（tool、llm）仅需按约定输出数据字段，无需关心流程逻辑；
链通过 LCEL 表达式动态调度组件，解耦组件与流程控制。

3. 支持动态流程编排与热更新

在 LangChain 中，复杂应用（如智能客服、数据分析助手）常需根据实时数据调整流程。LCEL 的声明式特性使其适合动态场景：

场景 1：AB 测试
通过后端配置不同的 LCEL 表达式，控制 A/B 组用户的流程分支（如优先调用工具 A 或工具 B），无需重启服务。
场景 2：低代码平台
用户通过可视化界面配置 LCEL 表达式（如拖拽生成 {{ order.amount > 1000 ? "大客户" : "普通客户" }}），快速生成定制化链，降低开发门槛。
场景 3：实时策略调整
在金融风控场景中，通过动态修改 LCEL 表达式（如调整风险评分阈值 score > 0.7 → score > 0.75），实时更新风控流程，而无需修改代码。

4. 提升组件复用性与可测试性

组件复用：
标准化的 LCEL 接口使组件可插拔。例如，替换 LLM 提供商时，只需修改组件实例（如从 OpenAI 改为 Cohere），LCEL 表达式无需变更。

独立测试：
可单独测试 LCEL 表达式的逻辑正确性，如：

from langchain.lcel import evaluate

# 测试条件表达式
result = evaluate("{{ score > 0.8 ? 'pass' : 'fail' }}", context={"score": 0.9})
assert result == "pass"

无需启动完整的链或依赖外部服务，提升测试效率。

5. 适配多模态与复杂工具调用

LangChain 常需集成多种工具（如 SQL 查询、API 调用、文件解析），LCEL 可简化多模态数据的处理逻辑：

示例：处理结构化数据
```
expression = """
let data = sql_tool.query("SELECT * FROM orders WHERE amount > {{ threshold }}");
let summary = llm.summarize(text: json.stringify(data.rows));
return summary;
"""
```
- 通过 LCEL 链式调用 SQL 工具和 LLM，解耦数据查询与摘要生成逻辑；
- 表达式清晰描述数据流动路径，避免代码层面的嵌套回调。

三、LCEL 与 LangChain 架构的协同

LCEL 的设计与 LangChain 的模块化架构深度协同，目标是构建 **“表达式驱动的智能应用”**：

底层组件层：提供标准化接口（如 call()、parse()），供 LCEL 表达式调用；
LCEL 层：作为逻辑编排层，通过表达式描述组件交互规则；
应用层：通过配置文件、API 动态注入 LCEL 表达式，快速组装不同功能的链。

这种分层设计使 LangChain 既能保持代码的简洁性，又能通过 LCEL 灵活应对复杂业务需求，尤其适合需要频繁调整逻辑的生成式 AI 场景（如智能文档处理、对话系统流程控制等）。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望