从LLMChain迁移到LCEL：实现更清晰的AI交互

在构建AI应用时，选择适合的工具和框架至关重要。LLMChain曾是开发AI生成对话的常用选择，但随着需求的变化，LCEL提供了一种更灵活且易于使用的方式。本文将介绍如何从LLMChain迁移到LCEL，并通过代码演示其应用。

技术背景介绍

LLMChain是一个集成了提示模板（Prompt Template）、大型语言模型（LLM）和输出解析器的类，方便开发者快速搭建AI对话系统。然而，它的一些局限性，比如默认的输出解析器和有限的流处理能力，促使开发者考虑更现代更灵活的解决方案——LCEL。

核心原理解析

LCEL通过将提示模板、LLM和输出解析器分离成独立的模块，不仅提供了更大的灵活性，还简化了流处理，允许直接访问原始消息输出。这种模块化设计提高了代码的可读性和可维护性。

代码实现演示

我们将从传统的LLMChain实现开始，然后展示如何迁移到LCEL。

使用LLMChain

from langchain.chains import LLMChain
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_messages(
    [("user", "Tell me a {adjective} joke")],
)

chain = LLMChain(llm=ChatOpenAI(), prompt=prompt)

result = chain({"adjective": "funny"})
print(result)

输出:

{
 "adjective": "funny",
 "text": "Why couldn't the bicycle stand up by itself?\n\nBecause it was two tired!"
}

使用LCEL

LCEL将提示和解析器独立出来，使得调用和结果处理更为灵活。

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

prompt = ChatPromptTemplate.from_messages(
    [("user", "Tell me a {adjective} joke")],
)

chain = prompt | ChatOpenAI() | StrOutputParser()

result = chain.invoke({"adjective": "funny"})
print(result)

输出:

'Why was the math book sad?\n\nBecause it had too many problems.'

保留输入输出

如果需要像LLMChain一样同时输出输入和结果，可以使用RunnablePassthrough。

from langchain_core.runnables import RunnablePassthrough

outer_chain = RunnablePassthrough().assign(text=chain)

result = outer_chain.invoke({"adjective": "funny"})
print(result)

输出:

{
 "adjective": "funny",
 "text": "Why did the scarecrow win an award? Because he was outstanding in his field!"
}

应用场景分析

LCEL的模块化设计特别适合需要灵活调整组件的复杂AI系统，如多轮对话机器人、智能客服系统等。这种设计允许开发者随时更换任意一个模块，而不需对整个系统进行大规模重构。

实践建议

1. 灵活使用模块：根据需求选择合适的输出解析器与提示模板。
2. 增强代码可读性：利用LCEL的管道风格，保持代码简洁和直观。
3. 扩展性：可以方便地通过增加自定义组件来扩展功能。

如果遇到问题欢迎在评论区交流。

—END—