从 LLMChain 迁移到 LCEL：如何提高你的 AI 应用开发效率

最新推荐文章于 2025-11-24 18:29:32 发布

原创最新推荐文章于 2025-11-24 18:29:32 发布 · 311 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #easyui #前端 #python

技术背景介绍

在自然语言处理开发中, LLMChain 一直是一个颇受欢迎的工具，它结合了提示模板、语言模型（LLM）和输出解析器，简化了生成式 AI 应用的开发。然而，随着需求的增加和复杂场景的出现，开发者们逐渐发现 LLMChain 的一些局限性。这时，LCEL（LangChain Execution Layer）应运而生，它提供了更清晰的内容和参数、简化的流媒体处理功能以及对原始消息输出的便捷访问。

核心原理解析

LLMChain 的设计是为了将提示模板、语言模型和输出解析器封装在一个统一的类中，虽然简化了使用，但灵活性和扩展性相对有限。而 LCEL 则通过分离不同的组件，使开发者能够更灵活地控制每个步骤，特别是在处理流媒体输出和原始消息时。此外，LCEL 提供了更明确的接口和配置选项，对于复杂应用场景更为友好。

代码实现演示

以下是如何将 LLMChain 迁移到 LCEL 的具体代码示例：

使用LLMChain的实现

# 安装并设置语言链的OpenAI接口
%pip install --upgrade --quiet langchain-openai

import os
from getpass import getpass

# 通过getpass安全获取API密钥
os.environ["OPENAI_API_KEY"] = getpass()

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

# 创建聊天提示模板
prompt = ChatPromptTemplate.from_messages(
    [("user", "Tell me a {adjective} joke")],
)

# 使用LLMChain组合模型和提示
chain = LLMChain(llm=ChatOpenAI(), prompt=prompt)

# 执行链条并提供形容词参数
response = chain({"adjective": "funny"})
print(response)

使用LCEL的实现

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

# 创建聊天提示模板
prompt = ChatPromptTemplate.from_messages(
    [("user", "Tell me a {adjective} joke")],
)

# 使用管道模式组合各个组件
chain = prompt | ChatOpenAI() | StrOutputParser()

# 执行管道并提供形容词参数
response = chain.invoke({"adjective": "funny"})
print(response)

# 如果需要冷藏输入输出，可以使用RunnablePassthrough
from langchain_core.runnables import RunnablePassthrough

outer_chain = RunnablePassthrough().assign(text=chain)
response_with_metadata = outer_chain.invoke({"adjective": "funny"})
print(response_with_metadata)