[从LLMChain到LCEL：提升你的AI应用开发效率的秘密！]-优快云博客

# 从LLMChain到LCEL：提升你的AI应用开发效率的秘密！

## 引言

在快速发展的AI应用开发领域，选择合适的工具至关重要。尤其是在处理自然语言处理（NLP）任务时，处理和解析生成式AI模型的输出需要有效且高效的链式编程方法。本篇文章将深入探讨如何从传统的LLMChain迁移到更现代化的LCEL实现，以提高开发效率和代码可读性。

## 主要内容

### 为什么要迁移？

**1. 清晰的内容和参数：**  
LLMChain包含默认的输出解析器和其他选项，这可能导致代码混乱。而LCEL提供了更明确的组件，使代码更易于管理和调整。

**2. 简化流处理：**  
LLMChain仅通过回调支持流处理，而LCEL使得这种操作更加直观和简单。

**3. 更方便地访问原始消息输出：**  
在LLMChain中，访问原始消息输出需要通过特定参数或回调，而LCEL则简化了这一过程。

### 如何实施迁移？

首先，确保安装最新的库版本：

```bash
%pip install --upgrade --quiet langchain-openai

接着，进行代码迁移：

import os
from getpass import getpass
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

os.environ["OPENAI_API_KEY"] = getpass()

# 使用API代理服务提高访问稳定性

# 定义提示模板
prompt = ChatPromptTemplate.from_messages(
    [("user", "Tell me a {adjective} joke")],
)

# 新的LCEL链
chain = prompt | ChatOpenAI() | StrOutputParser()

# 调用链
response = chain.invoke({"adjective": "funny"})

print(response)

# 如果需要保留输入和输出，可以使用RunnablePassthrough
outer_chain = RunnablePassthrough().assign(text=chain)

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

print(full_response)