3-Langchain工作流编排和LCEL

最新推荐文章于 2025-05-28 08:53:03 发布
最新推荐文章于 2025-05-28 08:53:03 发布
阅读量945 收藏 25
点赞数 29
分类专栏： AI 文章标签： langchain java 服务器
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/wufagang/article/details/145868117
版权

3-Langchain工作流编排

LCEL 介绍

LangChain 表达语言(LCEL) 是一种声明式方法，可以轻松组合链条。

  • LCEL 从第一天设计时就目的在于支持将原型置于生产中，无需更改代码，无论是最简单的“提示+LLM”链还是最复杂的链(我们见过成功在生产中运行带有数百步骤的LCEL链)。以下是你可能想使用LCEL的几个原因的亮点：

  • 一流的流处理支持 当你使用LCEL构建链时，你可以获得尽可能短的首个令牌时间(直到输出的第一个块出来的时间)。对于一些链来说，这意味着我们可以从LLM直接将令牌流式传输到流式输出解析器，您将以与LLM提供程序输出原始令牌的速率相同的速率获得解析的增量输出块。

  • 异步支持 使用LCEL构建的任何链既可以使用同步API(例如在原型设计时的Jupyter笔记本中)调用，也可以使用异步API(例如在LangServe服务器上)调用。这使得您可以在原型和生产环境中使用相同的代码，具有良好的性能，并能够在同一个服务器上处理许多并发请求。

  • 优化的并行执行 只要您的LCEL链有可以并行执行的步骤(例如，如果您从多个提取器中获取文档)，我们会自动执行它，无论是同步接口还是异步接口，以获得最小的延迟。

  • 重试和回退 为LCEL链的任何部分配置重试和回退。这是使您的链在大规模环境中更加可靠的好方法。我们目前正在添加重试/回退的流处理支持，这样您就可以在不牺牲延迟的情况下获得更高的可靠性。

  • 访问中间结果 对于更复杂的链，访问中间步骤的结果通常非常有用，即使在最终输出产生之前。这可以用于让最终用户知道发生了什么，甚至只是用于调试链。您可以流式传输中间结果，在每个LangServe服务器上都可以使用。

  • 输入和输出模式 输入和输出模式根据链的结构推断出每个LCEL链的Pydantic和JSONSchema模式。这可以用于验证输入和输出，并且是LangServe的一个重要组成部分。

  • 无缝的LangSmith跟踪 随着链条变得越来越复杂，了解每个步骤发生的具体情况变得越来越重要。 在LCEL中，所有步骤都自动记录到LangSmith，以实现最大的可观察性和可调试性。

  • 无缝的LangServe部署(opens in a new tab) 使用LCEL创建的任何链都可以轻松部署使用LangServe(opens in a new tab)。

  • 基本元素 除了可与LCEL一起使用的各种组件之外，LangChain还包括各种基本元素，这些元素有助于传递和格式化数据、绑定参数、调用自定义逻辑等等。

接口（Interface）

为了尽可能简化创建自定义链的过程，我们实现了一个 “Runnable”(opens in a new tab) 协议。许多 LangChain 组件都实现了 Runnable 协议，包括聊天模型、LLMs、输出解析器、检索器、提示模板等。此外，还有几个有用的原语用于处理 Runnable，您可以在 这个部分 中详细了解它们。
这是一个标准接口，使得定义自定义链以及以标准方式调用它们变得容易。 标准接口包括：

  • stream：以流的方式返回响应的块
  • invoke：对输入调用链
  • batch：对输入列表调用链

这些方法还有对应的异步方法，应使用 asyncio(opens in a new tab) 的 await 语法进行并发操作：

  • astream：以异步流的方式返回响应的块
  • ainvoke：异步调用链对输入
  • abatch：异步调用链对输入列表
  • astream_log：以异步流的方式返回中间步骤的响应，以及最终响应
  • astream_events：beta 在链中事件发生时流式传输事件（langchain-core 0.1.14中引入）

输入类型和输出类型因组件而异：
在这里插入图片描述
所有 Runnable 都公开了输入和输出的 模式 以检查输入和输出：

  • input_schema：从 Runnable 结构动态生成的输入 Pydantic 模型
  • output_schema：从 Runnable 结构动态生成的输出 Pydantic 模型
    让我们来看看这些方法。为此，我们将创建一个超级简单的 PromptTemplate + ChatModel 链

在这里插入图片描述

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
 
model = ChatOpenAI()
prompt = ChatPromptTemplate.from_template("tell me a joke about {topic}")
chain = prompt | model

输出schema

# The input schema of the chain is the input schema of its first part, the prompt.
# chain.input_schema.schema() v2.0 已经废弃
print(chain.input_schema.model_json_schema())
# {'properties': {'topic': {'title': 'Topic', 'type': 'string'}}, 'required': ['topic'], 'title': 'PromptInput', 'type': 'object'}
print("============================")
print(prompt.input_schema.model_json_schema())

print("============================")
print(model.input_schema.model_json_schema())
print("============================")
print(chain.output_schema.model_json_schema())

{
   'properties': {
   'topic': {
   'title': 'Topic', 'type': 'string'}}, 'required': ['topic'], 'title': 'PromptInput', 'type': 'object'}
============================
{
   'properties': {
   'topic': {
   'title': 'Topic', 'type': 'string'}}, 'required': ['topic'], 'title': 'PromptInput', 'type': 'object'}
============================
{
   '$defs': {
   'AIMessage': {
   'additionalProperties': True, 'description': 'Message from an AI.\n\nAIMessage is returned from a chat model as a response to a prompt.\n\nThis message represents the output of the model and consists of both\nthe raw output as returned by the model together standardized fields\n(e.g., tool calls, usage metadata) added by the LangChain framework.', 'properties': {
   'content': {
   'anyOf': [{
   'type': 'string'}, {
   'items': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'object'}]}, 'type': 'array'}], 'title': 'Content'}, 'additional_kwargs': {
   'title': 'Additional Kwargs', 'type': 'object'}, 'response_metadata': {
   'title': 'Response Metadata', 'type': 'object'}, 'type': {
   'const': 'ai', 'default': 'ai', 'title': 'Type', 'type': 'string'}, 'name': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Name'}, 'id': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Id'}, 'example': {
   'default': False, 'title': 'Example', 'type': 'boolean'}, 'tool_calls': {
   'default': [], 'items': {
   '$ref': '#/$defs/ToolCall'}, 'title': 'Tool Calls', 'type': 'array'}, 'invalid_tool_calls': {
   'default': [], 'items': {
   '$ref': '#/$defs/InvalidToolCall'}, 'title': 'Invalid Tool Calls', 'type': 'array'}, 'usage_metadata': {
   'anyOf': [{
   '$ref': '#/$defs/UsageMetadata'}, {
   'type': 'null'}], 'default': None}}, 'required': ['content'], 'title': 'AIMessage', 'type': 'object'}, 'AIMessageChunk': {
   'additionalProperties': True, 'description': 'Message chunk from an AI.', 'properties': {
   'content': {
   'anyOf': [{
   'type': 'string'}, {
   'items': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'object'}]}, 'type': 'array'}], 'title': 'Content'}, 'additional_kwargs': {
   'title': 'Additional Kwargs', 'type': 'object'}, 'response_metadata': {
   'title': 'Response Metadata', 'type': 'object'}, 'type': {
   'const': 'AIMessageChunk', 'default': 'AIMessageChunk', 'title': 'Type', 'type': 'string'}, 'name': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Name'}, 'id': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Id'}, 'example': {
   'default': False, 'title': 'Example', 'type': 'boolean'}, 'tool_calls': {
   'default': [], 'items': {
   '$ref': '#/$defs/ToolCall'}, 'title': 'Tool Calls', 'type': 'array'}, 'invalid_tool_calls': {
   'default': [], 'items': {
   '$ref': '#/$defs/InvalidToolCall'}, 'title': 'Invalid Tool Calls', 'type': 'array'}, 'usage_metadata': {
   'anyOf': [{
   '$ref': '#/$defs/UsageMetadata'}, {
   'type': 'null'}], 'default': None}, 'tool_call_chunks': {
   'default': [], 'items': {
   '$ref': '#/$defs/ToolCallChunk'}, 'title': 'Tool Call Chunks', 'type': 'array'}}, 'required': ['content'], 'title': 'AIMessageChunk', 'type': 'object'}, 'ChatMessage': {
   'additionalProperties': True, 'description': 'Message that can be assigned an arbitrary speaker (i.e. role).', 'properties': {
   'content': {
   'anyOf': [{
   'type': 'string'}, {
   'items': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'object'}]}, 'type': 'array'}], 'title': 'Content'}, 'additional_kwargs': {
   'title': 'Additional Kwargs', 'type': 'object'}, 'response_metadata': {
   'title': 'Response Metadata', 'type': 'object'}, 'type': {
   'const': 'chat', 'default': 'chat', 'title': 'Type', 'type': 'string'}, 'name': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Name'}, 'id': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Id'}, 'role': {
   'title': 'Role', 'type': 'string'}}, 'required': ['content', 'role'], 'title': 'ChatMessage', 'type': 'object'}, 'ChatMessageChunk': {
   'additionalProperties': True, 'description': 'Chat Message chunk.', 'properties': {
   'content': {
   'anyOf': [{
   'type': 'string'}, {
   'items': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'object'}]}, 'type': 'array'}], 'title': 'Content'}, 'additional_kwargs': {
   'title': 'Additional Kwargs', 'type': 'object'}, 'response_metadata': {
   'title': 'Response Metadata', 'type': 'object'}, 'type': {
   'const': 'ChatMessageChunk', 'default': 'ChatMessageChunk', 'title': 'Type', 'type': 'string'}, 'name': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Name'}, 'id': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Id'}, 'role': {
   'title': 'Role', 'type': 'string'}}, 'required': ['content', 'role'], 'title': 'ChatMessageChunk', 'type': 'object'}, 'ChatPromptValueConcrete': {
   'description': 'Chat prompt value which explicitly lists out the message types it accepts.\nFor use in external schemas.', 'properties': {
   'messages': {
   'items': {
   'oneOf': [{
   '$ref': '#/$defs/AIMessage'}, {
   '$ref': '#/$defs/HumanMessage'}, {
   '$ref': '#/$defs/ChatMessage'}, {
   '$ref': '#/$defs/SystemMessage'}, {
   '$ref': '#/$defs/FunctionMessage'}, {
   '$ref': '#/$defs/ToolMessage'}, {
   '$ref': '#/$defs/AIMessageChunk'}, {
   '$ref': '#/$defs/HumanMessageChunk'}, {
   '$ref': '#/$defs/ChatMessageChunk'}, {
   '$ref': '#/$defs/SystemMessageChunk'}, {
   '$ref': '#/$defs/FunctionMessageChunk'}, {
   '$ref': '#/$defs/ToolMessageChunk'}]}, 'title': 'Messages', 'type': 'array'}, 'type': {
   'const': 'ChatPromptValueConcrete', 'default': 'ChatPromptValueConcrete', 'title': 'Type', 'type': 'string'}}, 'required': ['messages'], 'title': 'ChatPromptValueConcrete', 'type': 'object'}, 'FunctionMessage': {
   'additionalProperties': True, 'description': 'Message for passing the result of executing a tool back to a model.\n\nFunctionMessage are an older version of the ToolMessage schema, and\ndo not contain the tool_call_id field.\n\nThe tool_call_id field is used to associate the tool call request with the\ntool call response. This is useful in situations where a chat model is able\nto request multiple tool calls in parallel.', 'properties': {
   'content': {
   'anyOf': [{
   'type': 'string'}, {
   'items': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'object'}]}, 'type': 'array'}], 'title': 'Content'}, 'additional_kwargs': {
   'title': 'Additional Kwargs', 'type': 'object'}, 'response_metadata': {
   'title': 'Response Metadata', 'type': 'object'}, 'type': {
   'const': 'function', 'default': 'function', 'title': 'Type', 'type': 'string'}, 'name': {
   'title': 'Name', 'type': 'string'}, 'id': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Id'}}, 'required': ['content', 'name'], 'title': 'FunctionMessage', 'type': 'object'}, 'FunctionMessageChunk': {
   'additionalProperties': True, 'description': 'Function Message chunk.', 'properties': {
   'content': {
   'anyOf': [{
   'type': 'string'}, {
   'items': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'object'}]}, 'type': 'array'}], 'title': 'Content'}, 'additional_kwargs': {
   'title': 'Additional Kwargs', 'type': 'object'}, 'response_metadata': {
   'title': 'Response Metadata', 'type': 'object'}, 'type': {
   'const': 'FunctionMessageChunk', 'default': 'FunctionMessageChunk', 'title': 'Type', 'type': 'string'}, 'name': {
   'title': 'Name', 'type': 'string'}, 'id': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Id'}}, 'required': ['content', 'name'], 'title': 'FunctionMessageChunk', 'type': 'object'}, 'HumanMessage': {
   'additionalProperties': True, 'description': 'Message from a human.\n\nHumanMessages are messages that are passed in from a human to the model.\n\nExample:\n\n    .. code-block:: python\n\n        from langchain_core.messages import HumanMessage, SystemMessage\n\n        messages = [\n            SystemMessage(\n                content="You are a helpful assistant! Your name is Bob."\n            ),\n            HumanMessage(\n                content="What is your name?"\n            )\n        ]\n\n        # Instantiate a chat model and invoke it with the messages\n        model = ...\n        print(model.invoke(messages))', 'properties': {
   'content': {
   'anyOf': [{
   'type': 'string'}, {
   'items': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'object'}]}, 'type': 'array'}], 'title': 'Content'}, 'additional_kwargs': {
   'title': 'Additional Kwargs', 'type': 'object'}, 'response_metadata': {
   'title': 'Response Metadata', 'type': 'object'}, 'type': {
   'const': 'human', 'default': 'human', 'title': 'Type', 'type': 'string'}, 'name': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Name'}, 'id': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Id'}, 'example': {
   'default': False, 'title': 'Example', 'type': 'boolean'}}, 'required': ['content'], 'title': 'HumanMessage', 'type': 'object'}, 'HumanMessageChunk': {
   'additionalProperties': True, 'description': 'Human Message chunk.', 'properties': {
   'content': {
   'anyOf': [{
   'type': 'string'}, {
   'items': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'object'}]}, 'type': 'array'}], 'title': 'Content'}, 'additional_kwargs': {
   'title': 'Additional Kwargs', 'type': 'object'}, 'response_metadata': {
   'title': 'Response Metadata', 'type': 'object'}, 'type': {
   'const': 'HumanMessageChunk', 'default': 'HumanMessageChunk', 'title': 'Type', 'type': 'string'}, 'name': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Name'}, 'id': {
   'anyOf': [{
   'type': 'string'}, {
   'type': 'null'}], 'default': None, 'title': 'Id'}, 'example': {
   'default': False, 'title': 'Example', 'type': 'boolean'}}, 'required': ['content'], 'title': 'HumanMessageChunk', 'type': 'object'}, 'InputTokenDetails'
最低0.47元/天 解锁文章
【人工智能时代】- LangChain
xiaoli8748的专栏
08-20 703
LangChain Core: LangChain 框架的核心库、核心组件，提供了基础抽象和 LangChain 表达式语言（LCEL），提供基础架构和工具，用于构建、运行和与 LLM 交互的应用程序，为 LangChain 应用程序的开发提供了坚实的基础。工具使用与智能体：LangChain 提供了丰富的智能体和工具集合，并提供了定义工具的简便方法，支持智能体工作负载，包括让 LLM 调用函数或工具，以及如何高效地进行多次调用和推理，极大地提升了开发效率和应用性能。
Langchain 工作流编排
AI大模型/Python/Java/MySQL技术栈，快来和我一起学习吧 ~
03-24 540
特性作用技术实现LCEL声明式组合/类型安全/优化执行操作符重载+类型系统Runnable统一接口/异步支持/组合能力接口协议+适配器模式Stream低延迟输出/内存优化生成器+异步迭代器Events实时监控/调试/中间结果捕获观察者模式+回调系统灵活组合：任意模块的自由拼接高效执行：自动批处理/流式/并行全链路可控：事件系统提供深度可观测性。
【带你 langchain 双排系列教程】3. LangChain 工作流编排机制：LCEL 与 Runnable 接口的深度解析
u013257767的博客
02-21 563
LangChain 表达式语言（LCEL）是一种声明式方法，用于将不同的 LangChain 组件（如提示模板、模型、解析器等）链接在一起，构建复杂的处理链条。流式支持：LCEL 构建的链可以实现最佳的首个令牌时间，即输出的第一块内容出现之前的经过时间。这意味着可以直接从 LLM 流式传输到流式输出解析器，以与 LLM 提供商输出原始令牌相同的速率获得解析后的增量输出块。异步支持。
LangChain开发（三）工作流编排(LCEL)
Java全栈开发者
03-26 1101
LCEL(Langchain Expression Language)是一种强大的工作流编排工具，可以从基本组件构建复杂任务链条（chain），并支持诸如流式处理、并行处理和日志记录等开箱即用的功能。LCEL从第一天起就被设计为支持将原型投入生产，无需更改代码，从最简单的“提示 + LLM” 链到最复杂的链（有人成功地在生产中运行了包含数百步的LCEL链）。以下是使用LCEL几个亮点。一流的流式支持当使用 LCEL 构建链时，您将获得可能的最佳时间到第一个标记(直到输出的第一块内容出现所经过的时间)。
LangChain 工作流编排
weixin_45228198的博客
03-16 371
LLM的工作流程编排
LangChain大模型应用开发：工作流编排
老赵爱学习的博客
02-17 1835
大家好，博主又来给大家分享知识了，那么今天又给大家分享什么内容呢？今天我要给大家分享的内容是。
【LangChain入门 5】工作流编排
hjxu2016的博客
03-20 863
主要介绍LCEL、Runnable interface、Stream的一些概念
LangChain入门教学：（2）LangChain工作流编排
jo101010的博客
02-25 1544
LangChain的接口及事件机制
【程序员AI入门：应用】8.LangChain核心抽象全解析：从模型交互到工作流编排的模块化开发指南
RickyIT的专栏
05-08 540
LangChain是一个模块化的AI应用开发框架，通过分层抽象将复杂的大模型应用拆解为可复用的组件，实现智能系统的积木式搭建。其核心架构分为基础层、逻辑层、记忆层、增强层和编排层，每层解决特定维度的问题，共同构建从数据输入到智能输出的完整链路。基础层通过模型抽象和文档抽象，统一多模型接口并处理非结构化数据；逻辑层通过链式抽象和智能体抽象，实现复杂逻辑的模块化组合和自主决策；记忆层通过记忆抽象，赋予模型持续认知能力；增强层通过工具抽象和检索抽象，扩展模型的能力边界。LangChain的模块化设计使得开发者能够
【AI大模型】LangChain简介
weixin_42548337的博客
09-04 905
目的嘛，就俩字——提效！LangChian框架，这个为大语言模型量身打造的开发者宝库，它不仅仅是一个简单的工具集合，而是能够将LLM模型的多样形态（无论是机智的对话模型，还是深邃的embedding模型），与向量数据库的浩瀚知识、灵活多变的交互层Prompt、外部世界的广阔知识海洋，乃至那些高效的外部代理工具，巧妙地编织在一起，让你我能够随心所欲地构建出独一无二的LLM应用。首先，模型输入/输出（Model I/O），它是我们与语言模型沟通的桥梁，每一次指令的传递，每一个答案的接收，都离不开它的默默付出。
【五.LangChain技术与应用】【7.LangChain Model介绍：AI模型的核心组件】
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
03-05 82
分步执行并传递上下文这种模块化开发模式，比传统写法可维护性高5倍以上。
【大模型从入门到精通19】开源库框架LangChain LangChain文档加载器1
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
08-13 1727
在数据驱动的应用领域，特别是涉及对话界面和大型语言模型（LLM）的应用中，从各种来源高效加载、处理并与数据进行交互的能力至关重要。这些加载器擅长处理来自公共源的数据，如 YouTube、Twitter 和 Hacker News，同时也适用于来自专有源的数据，如 Figma 和 Notion。保存清洗后的文本：可选地，脚本可以将清洗和分词后的文档文本保存到文件中。这个扩展的代码提供了一个更全面的示例，展示如何从加载和清洗文本到基本分析和处理特殊情况，对 PDF 文档进行程序化的处理。
Netty 框架介绍
最新发布
技术改变世界
05-28 268
Netty是一个基于 Java NIO（Non-blocking I/O）的异步事件驱动网络应用框架，旨在快速开发高性能、高可靠性的网络服务器和客户端。它简化了 TCP/UDP 等协议的编程，并提供了高度可定制的组件，适用于高并发场景（如游戏服务器、即时通讯、分布式系统等）。
【Redis】三、在springboot中应用redis
naihe_fish的博客
05-22 1066
本文介绍了如何在Spring Boot项目中集成Redis作为缓存中间件，以优化用户信息管理的性能。首先，通过引入redis依赖，配置Redis连接信息。接着，创建了一个用户管理模块，包括数据库表、实体类、控制器和服务层。在服务层中，通过RedisTemplate实现了缓存逻辑，优先从Redis中查询用户分数，若未命中则从MySQL数据库中获取并缓存到Redis中。最后，通过Postman测试接口，验证了Redis缓存的有效性，首次查询较慢，但后续查询速度显著提升。
计算机组成原理——cache
Yan_ks的博客
05-27 727
本文介绍了cache的工作原理及优化策略。主要内容包括：1)局部性原理(时间/空间局部性)，以程序示例说明访问顺序对性能的影响；2)cache组成与访问流程，包括命中率计算和地址映射关系；3)三种映射方式(直接、全相联、组相联)的实现原理；4)替换算法(LRU、随机、FIFO)的选择标准；5)两种写策略组合(全写+非写分配、回写+写分配)的特点及应用场景。通过cache设计有效利用局部性原理，可显著提升CPU访存效率。
springboot--实战--大事件--用户接口开发
m0_73856804的博客
05-27 1620
定义了一种简洁的、自包含的格式，用于通信双方以JSON数据格式安全的传输信息。组成：第一部分：Header（头），记录令牌类型、签名算法等。例如,算法用于防篡改第二部分：Payload（有效载荷），携带一些自定义信息，默认信息。例如。而外在表示为一段无规律的64个可打印字符原因：借助base64编码方式（Base64：是一种基于64个可打印字符（A-Z a-z 0-9 + /）来表示二进制数据的编码方式）来完成，将json字符串变为64个可打印字符，
LangChain4j 项目实战——idea快捷键搜索
modelmd的博客
05-25 593
LangChain4j 项目实战
深入理解 JavaScript 中的 Async/Await：异步编程的终极解决方案
读心悦
05-27 1350
JavaScript异步编程从回调函数到Promise再到async/await不断演进。async/await作为Promise的语法糖，通过更直观的同步式语法处理异步操作，解决了回调地狱和错误处理难题。本文解析了async/await的基础语法、高级应用及最佳实践。基础部分介绍了async函数自动包装Promise的特性，await的等待机制以及try-catch错误处理。高级应用展示了如何用Promise.all并行执行异步操作，以及在条件语句和循环中的使用技巧。通过对比串行与并行执行的时间差异，凸显
Langchain表达式语言(LCEL) 多链顺序调用
03-14
在这个例子中，我们引入了 `RunnableLambda` 来封装自定义函数，并将其与其他链条结合起来，形成了一个新的工作流。 --- #### 声明式的 LangChain 表达语言（LCEL） 对于更加高级的需求，可以直接采用 LangChain ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值