LLM Cookbook 开发工具：LangChain 表达式语言详解

秋孝盼

352人浏览 · 2025-10-22 00:54:56

秋孝盼 · 2025-10-22 00:54:56 发布

LLM Cookbook 开发工具：LangChain 表达式语言详解

【免费下载链接】llm-cookbook 面向开发者的 LLM 入门教程，吴恩达大模型系列课程中文版项目地址: https://gitcode.com/datawhalechina/llm-cookbook

你是否还在为复杂的大语言模型（LLM）应用开发而烦恼？面对冗长的代码、繁琐的组件拼接，以及各种异步处理和错误回退问题，是否感到力不从心？别担心！本文将为你详细介绍 LangChain 表达式语言（LangChain Expression Language，LCEL）——这一革命性的开发工具，让你轻松构建高效、灵活的 LLM 应用。读完本文，你将掌握 LCEL 的核心语法、实际应用场景以及高级特性，让你的 LLM 开发效率提升 10 倍！

一、LCEL 简介：让 LLM 开发如虎添翼

LangChain 表达式语言（LCEL）是 LangChain 工具包中一项重要的创新，它借鉴了 Unix 管道操作符的思想，通过简洁的 | 符号将不同的组件串联起来，实现了复杂 LLM 应用的快速构建。LCEL 的出现，彻底改变了传统 LLM 应用开发中代码冗长、组件拼接复杂的局面，为开发者带来了前所未有的便捷体验。

LCEL 具有以下四大核心优势：

多功能处理支持：LCEL 天然支持异步处理、批处理和流式处理，使得你的代码可以轻松应对不同的服务器环境和应用场景，极大地提升了代码的灵活性和可扩展性。
强大的回退安全机制：在 LLM 应用中，结果的不可控性是一个常见的问题。LCEL 提供了完善的 fallbacks 措施，当某个组件出现异常时，可以自动切换到备用方案，确保整个应用的稳定运行。
增强的 LLM 并行性：LLM 运行通常耗时较长，LCEL 通过内置的并行处理机制，可以显著加快结果的获取速度，提升应用的响应性能。
内置日志记录：对于复杂的链条和代理，调试和监控往往是一大难题。LCEL 内置了详细的日志记录功能，帮助你深入理解应用的运行情况，快速定位和解决问题。

二、核心概念与基础语法

2.1 简单链：组件的无缝拼接

LCEL 最基本的用法就是构建简单链。通过 | 操作符，我们可以将提示模板（Prompt Template）、大语言模型（LLM）和输出解析器（Output Parser）无缝拼接起来，形成一个完整的处理流程。

下面是一个简单的示例，展示了如何使用 LCEL 构建一个生成笑话的链条：

# 导入 LangChain 所需的模块
from langchain.prompts import ChatPromptTemplate
from langchain.chat_models import ChatOpenAI
from langchain.schema.output_parser import StrOutputParser

# 使用 ChatPromptTemplate 从模板创建一个提示
prompt = ChatPromptTemplate.from_template(
    "告诉我一个关于{topic}的短笑话"
)

# 创建一个 ChatOpenAI 模型实例
model = ChatOpenAI()

# 创建一个 StrOutputParser 实例，用于解析输出
output_parser = StrOutputParser()

# 创建一个链式调用，将 prompt、model 和 output_parser 连接在一起
chain = prompt | model | output_parser

# 调用链式调用，并传入参数
chain.invoke({"topic": "熊"})

在这个例子中，chain = prompt | model | output_parser 清晰地展示了 LCEL 的核心思想。| 操作符将三个组件串联起来，用户输入首先被传递给提示模板，生成具体的提示内容；然后，提示内容被传递给大语言模型，生成响应结果；最后，响应结果被传递给输出解析器，进行格式化处理。

2.2 复杂链：RunnableMap 的灵活应用

除了简单的线性链条，LCEL 还支持构建更加复杂的处理流程。通过 RunnableMap，我们可以将多个组件的输出组合起来，作为下一个组件的输入，实现更灵活的数据处理逻辑。

在检索增强生成（RAG）场景中，我们通常需要将用户的问题和检索到的相关文档结合起来，作为大语言模型的输入。下面是一个使用 RunnableMap 实现 RAG 流程的示例：

from langchain.schema.runnable import RunnableMap

# 定义一个模板字符串
template = """仅根据以下上下文回答问题：
{context}

问题：{question}
"""

# 使用 template 作为模板创建提示
prompt = ChatPromptTemplate.from_template(template)

# 创建一个处理链，包含了 RunnableMap、prompt、model 和 output_parser 组件
chain = RunnableMap({
    "context": lambda x: retriever.get_relevant_documents(x["question"]),
    "question": lambda x: x["question"]
}) | prompt | model | output_parser

# 调用 chain 的 invoke 方法
chain.invoke({"question": "哈里森在哪里工作?"})

在这个例子中，RunnableMap 接收一个字典作为参数，字典的键是后续组件所需的输入变量名，值是生成这些变量的函数。通过这种方式，我们可以灵活地组合多个数据源，为后续的处理提供丰富的上下文信息。

三、高级特性与实际应用

3.1 函数绑定：与外部工具的无缝集成

LCEL 提供了强大的函数绑定功能，使得 LLM 可以与外部工具进行无缝集成。通过 bind 方法，我们可以将工具函数的描述信息绑定到模型上，让模型能够根据用户的问题自动判断是否需要调用外部工具，并生成相应的调用参数。

下面是一个绑定天气查询函数的示例：

# 定义一个函数
functions = [
  {
    "name": "get_current_weather",
    "description": "获取指定位置的当前天气情况",
    "parameters": {
      "type": "object",
      "properties": {
        "location": {
          "type": "string",
          "description": "城市和省份，例如：北京，北京市",
        },
        "unit": {"type": "string", "enum": ["摄氏度", "华氏度"]},
      },
      "required": ["location"],
    },
  }
]

# 使用 bind 方法绑定 functions 参数
model = ChatOpenAI(temperature=0).bind(functions=functions)

runnable = prompt | model

# 调用 invoke 方法
runnable.invoke({"input": "北京天气怎么样？"})

通过这种方式，LLM 可以根据用户的问题“北京天气怎么样？”，自动判断需要调用 get_current_weather 函数，并生成包含位置信息的调用参数。

3.2 回退机制：提升应用的稳定性

在 LLM 应用开发中，我们经常会遇到各种不可预见的问题，例如模型 API 调用失败、返回结果格式不符合预期等。为了提升应用的稳定性，LCEL 提供了完善的回退机制。

下面是一个使用回退机制的示例：

# 使用早期的 OpenAI 模型
simple_model = OpenAI(
    temperature=0,
    max_tokens=1000,
    model="gpt-3.5-turbo-instruct"
)

# 创建一个更强大的模型作为回退
better_model = ChatOpenAI(temperature=0)

# 创建带有回退机制的链条
chain = simple_model.with_fallbacks([better_model]) | json.loads

在这个例子中，我们首先尝试使用早期的 gpt-3.5-turbo-instruct 模型进行处理，如果处理失败（例如返回结果无法解析为 JSON），则自动切换到更强大的 ChatOpenAI 模型。通过这种方式，我们可以显著提升应用的容错能力和稳定性。

3.3 多接口支持：灵活应对不同场景

LCEL 提供了丰富的接口，以满足不同的应用场景需求：

invoke 接口：用于处理单个输入，返回单个结果。
batch 接口：用于批量处理多个输入，提高处理效率。
stream 接口：用于流式处理，实时返回结果。
异步接口：包括 ainvoke、abatch 和 astream，支持异步编程模式。

这些接口的灵活运用，可以让我们的应用更好地适应不同的性能需求和用户体验要求。

四、总结与展望

LCEL 作为 LangChain 的核心创新之一，为 LLM 应用开发带来了革命性的变化。通过简洁的语法和强大的功能，LCEL 极大地降低了复杂 LLM 应用的开发门槛，提高了开发效率。无论是简单的文本生成，还是复杂的检索增强生成（RAG），抑或是与外部工具的集成，LCEL 都能提供简洁而强大的解决方案。

随着 LLM 技术的不断发展，我们有理由相信，LCEL 将会持续进化，为开发者带来更多惊喜。如果你还没有尝试过 LCEL，不妨从本文介绍的基础开始，逐步探索其强大的功能。相信在不久的将来，LCEL 将会成为你 LLM 应用开发工具箱中不可或缺的一员。

想要深入学习 LCEL 的更多细节？可以参考项目中的 LangChain 表达式语言 LCEL.ipynb 实践教程，动手操作才能真正掌握这一强大的工具！

如果你觉得本文对你有帮助，欢迎点赞、收藏、关注，我们将持续为你带来更多关于 LLM 开发的实用技巧和深度解析！

【免费下载链接】llm-cookbook 面向开发者的 LLM 入门教程，吴恩达大模型系列课程中文版项目地址: https://gitcode.com/datawhalechina/llm-cookbook