LangChain框架入门06：手把手带你玩转LCEL表达

在前面几篇文章中，我们已经掌握了LangChain的核心组件：提示词模板、大语言模型、输出解析器。细心的读者可能发现，在使用这些组件时，经常会看到类似 prompt | llm | parser 这样的链式操作。这就是今天重点介绍的LCEL（LangChain Expression Language）表达式。
在平时开发中，经常需要将多个组件组合起来形成完整的处理流程，将上一个组件的输出作为下一个组件的输入，在不使用LCEL表达式之前，就会写出这种代码：使用 invoke() 进行层层嵌套，这就好比早期 JS 中的回调地狱，结构混乱、难以维护，并且出现错误很难判断是哪一步出了问题。

1. # 1.构建提示词
2. prompt = ChatPromptTemplate.from_messages([
3.     ("system", "你是一个资深文学家"),
4.     ("human", "请简短赏析{name}这首诗，并给出评价")
5. ])
7. # 2.创建模型
8. llm = ChatOpenAI()
9. # 3.创建字符串输出解析器
10. parser = StrOutputParser()
12. # 4.调用模型返回结果
13. result = parser.invoke(
14.     llm.invoke(
15.         prompt.invoke({"name": "江雪"})
16.     )
17. )

复制代码

而LCEL让这个过程变得简洁直观，通过管道符号进行连接，可以很轻松地构建出功能强大的AI应用。

文中所有示例代码：https://github.com/wzycoding/langchain-study

一、什么是LCEL表达式

LCEL（LangChain Expression Language）是LangChain框架的表达式语言，它提供了一种声明式的方式来构建复杂的数据处理链。通过LCEL，我们可以使用管道符号 | 将不同的组件连接起来，形成一个完整的数据处理链。
LCEL有以下优点：
1、代码更加简洁：用管道符号连接组件，代码更加简洁易读
2、可任意组合：任意Runnable组件都可以自由组合，构建复杂的处理逻辑
3、统一接口规范：所有Runnable组件都遵循统一的接口规范
4、方便监控与调试：LangChain内置了日志和监控功能，方便调试和优化
下面是使用LCEL表达式的案例：

1. # 1.构建提示词
2. prompt = ChatPromptTemplate.from_messages([
3.     ("system", "你是一个资深文学家"),
4.     ("human", "请简短赏析{name}这首诗，并给出评价")
5. ])
7. # 2.创建模型
8. llm = ChatOpenAI()
9. # 3.创建字符串输出解析器
10. parser = StrOutputParser()
12. # 4.构建链
13. chain = prompt | llm | parser
15. # 5.执行链
16. print(f"输出结果：{chain.invoke({'name': '题西林壁'})}")

复制代码

显而易见，LCEL写法更加简洁，而且表达了清晰的数据流向：输入经过提示词模板处理，然后将PromptValue传递给大语言模型，最后将大语言模型输出的Message传递给输出解析器，经过输出解析器解析得到最终结果。
二、什么是Runnable组件

在深入LCEL之前，首先需要理解Runnable接口。Runnable是LangChain中所有可执行组件的基础接口，它定义了组件应该具备的标准方法。前面介绍的LangChain组件如提示词模板、模型、输出解析器等，都实现了Runnable接口，这就是为什么这些组件可以使用管道符进行连接的原因。
在Runnable接口中定义了以下核心方法：
invoke(input)：同步执行，处理单个输入，最常用的方法
batch(inputs)：批量执行，处理多个输入，提升处理效率
stream(input)：流式执行，逐步返回结果，经典的使用场景是大模型是一点点输出的，不是一下返回整个结果，可以通过 stream() 方法，进行流式输出
ainvoke(input)：异步执行，用于高并发场景
三、RunnableBranch条件分支

在LangChain中提供了类RunnableBranch来完成LCEL中的条件分支判断，它可以根据输入的不同采用不同的处理逻辑，具体示例如下，在下方示例中程序会根据用户输入中是否包含‘日语’、‘韩语’等关键词，来选择对应的提示词进行处理。根据判断结果，再执行不同的逻辑分支。

1. import dotenv
2. from langchain_core.output_parsers import StrOutputParser
3. from langchain_core.prompts import ChatPromptTemplate
4. from langchain_core.runnables import RunnableBranch
5. from langchain_openai import ChatOpenAI
7. # 读取env配置
8. dotenv.load_dotenv()
11. def judge_language(inputs):
12.     """判断语言种类"""
13.     query = inputs["query"]
14.     if "日语" in query:
15.         return "japanese"
16.     elif "韩语" in query:
17.         return "korean"
18.     else:
19.         return "english"
22. # 1.构建提示词
23. english_prompt = ChatPromptTemplate.from_messages([
24.     ("system", "你是一个英语翻译专家，你叫小英"),
25.     ("human", "{query}")
26. ])
28. japanese_prompt = ChatPromptTemplate.from_messages([
29.     ("system", "你是一个日语翻译专家，你叫小日"),
30.     ("human", "{query}")
31. ])
33. korean_prompt = ChatPromptTemplate.from_messages([
34.     ("system", "你是一个韩语翻译专家，你叫小韩"),
35.     ("human", "{query}")
36. ])
38. # 2.创建模型
39. llm = ChatOpenAI()
40. # 3.创建字符串输出解析器
41. parser = StrOutputParser()
43. # 4.构建链分支结构，默认分支为英语
44. chain = RunnableBranch(
45.     (lambda x: judge_language(x) == "japanese", japanese_prompt | llm | parser),
46.     (lambda x: judge_language(x) == "korean", korean_prompt | llm | parser),
47.     (english_prompt | llm | parser)
48. )
50. # 5.执行链
51. print(f"输出结果：{chain.invoke({'query': '请你用韩语翻译这句话：“我爱你”。并且告诉我你叫什么'})}")

复制代码

执行结果如下，根据执行结果，执行的是韩语分支。
[code]输出结果：“我爱你”用韩语是：“사랑해” (Saranghae)。我叫小韩，很高兴为你服务！
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！