[从LLMChain迁移到LCEL：提升AI应用开发的效率与灵活性]-优快云博客

本文链接：https://blog.youkuaiyun.com/zjhnfmkh/article/details/144463308

从LLMChain迁移到LCEL：提升AI应用开发的效率与灵活性

在现代的人工智能开发中，选择合适的工具和框架至关重要。LLMChain是一种将提示模板、LLM和输出解析器结合在一起的类，但随着技术的发展，LCEL提供了更清晰、更灵活的实现。在本文中，我们将探讨从LLMChain迁移到LCEL的优势，并提供实际的代码示例和解决方案。

LLMChain的限制与LCEL的优势

1. 内容和参数的清晰性

LLMChain中默认包含了输出解析器和其他选项，对于开发者来说，可能会导致复杂性增加。而LCEL实现则更加透明，每一步操作都清晰明了。

2. 更简单的流媒体支持

在LLMChain中，如果需要流媒体支持，通常只能通过回调实现，增加了使用的复杂性。而LCEL简单明了地支持流媒体输出。

3. 更容易获取原始消息输出

LLMChain仅通过参数或回调暴露原始消息输出，而LCEL则对获取这些信息提供了更直接的方法。

代码示例

LLMChain的实现

以下是一个使用LLMChain获取笑话的简单示例：

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)

# 由于某些地区的网络限制，开发者可能需要考虑使用API代理服务
response = chain({"adjective": "funny"})
print(response)

LCEL的实现

使用LCEL重写上面的任务：

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()

# 使用API代理服务提高访问稳定性
response = chain.invoke({"adjective": "funny"})
print(response)

常见问题和解决方案

如何保留输入和输出数据？

在LLMChain中，返回的是包含输入和输出的字典。如果在LCEL中需要这种行为，可以使用RunnablePassthrough类：

from langchain_core.runnables import RunnablePassthrough

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