⛓️ LangChain 表达式语言（LCEL）入门与实战：从 Prompt 到复杂多链的声明式编程

一、本章概览

第20章《LangChain 表达式语言（LCEL）入门与实战》是课程中聚焦 LangChain 核心编程范式的关键章节——全面介绍 LCEL（LangChain Expression Language）这一声明式的链式组合语言，从设计理念、Runnable 协议、基础用法，到与传统调用方式的对比、批量处理、流式输出、异步调用、回退机制，再到复杂多链（AI 辩论链）的实战构建。

核心内容速览：

二、LangChain 技术生态全景

在深入 LCEL 之前，先了解 LangChain 的完整生态体系：

LangChain 技术生态
├── LangChain ───────── LLMs 应用开发框架（Python / JavaScript）
├── LangChain-Core ──── LCEL 等核心协议（基础抽象层）
├── LangChain-Community ── 第三方集成（模型、向量库、工具等）
├── LangChain Templates ── 开箱即用的 APP 示例模板
├── LangServe ────────── Chains 生产部署（REST API）
└── LangSmith ────────── 一站式开发者平台
    ├── 可观测性（Observability）
    ├── 监控（Monitoring）
    ├── 反馈（Feedback）
    ├── 评估（Evaluation）
    ├── 标注（Annotation）
    └── 测试（Testing）

★

LCEL 位于 LangChain-Core 层，是整个生态的协议基石，为所有组件提供了统一的组合与调用接口。

三、LCEL 是什么？

3.1 基本定义

LCEL（LangChain Expression Language） 是一种声明式的链式组合语言，能够从简单的 Prompt + LLM 链到复杂的生产级链（可运行 100 多个步骤）统一表达。

★

LCEL 的设计初衷是支持将原型快速投入生产，而无需更改代码。

3.2 核心设计理念

竖线管道操作符 |：

LCEL 的核心是 | 操作符，类似于 Unix 管道，它将不同组件链接在一起，将一个组件的输出作为下一个组件的输入。

Prompt Template → Model → Output Parser
       |              |           |
   生成输入        LLM调用      解析输出

标准化的大模型抽象 Model I/O：

输入: X = "foo", y = "bar"
  ↓
Prompt Template: "Does {x} like {y}, and why?"
  ↓
Chat Model / LLM
  ↓
Output Parser: {"likes": True, "reason": "Because ..."}

3.3 核心组件模块

四、LCEL Runnable 协议

4.1 Runnable 接口

LangChain 实现了 Runnable 协议来简化创建自定义链的过程。许多 LangChain 组件都实现了 Runnable 协议，包括：

• Chat Models
• LLMs
• Output Parsers
• Retrievers
• Prompt Templates

4.2 组件的输入/输出类型

4.3 Schema 方法

所有 Runnable 对象都显式描述输入和输出 Schema：

# 查看 chain 的输入类型
chain.input_schema.schema()
# 输出：{'title': 'PromptInput', 'type': 'object', 
#        'properties': {'topic': {'title': 'Topic', 'type': 'string'}}}

# 查看 Prompt 的输入类型
prompt.input_schema.schema()
# 输出：同上（Chain 的输入从 Prompt 开始）

4.4 Runnable 核心方法

五、基础代码示例：最简 LCEL 链

5.1 最简单的 LCEL 链

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

# 初始化 ChatOpenAI 模型
model = ChatOpenAI(model="gpt-3.5-turbo-0125")

# 创建聊天提示模板
prompt = ChatPromptTemplate.from_template("讲个关于{topic}的笑话吧")

# 初始化输出解析器
output_parser = StrOutputParser()

# 构建处理链（使用 | 管道操作符）
chain = prompt | model | output_parser

# 调用链
result = chain.invoke({"topic": "程序员"})
print(result)
# 输出：'为什么程序员总是喜欢用"Ctrl+C"和"Ctrl+V"呢？\n\n因为他们喜欢复制粘贴！！'

★

🔑 核心语法：chain = prompt | model | output_parser，一行代码完成链式构建！

六、LCEL vs 古典语法：7大场景对比

6.1 简单调用

Without LCEL：

prompt_template = "Tell me a short joke about {topic}"
client = openai.OpenAI()

def call_chat_model(messages: List[dict]) -> str:
    response = client.chat.completions.create(
        model="gpt-3.5-turbo", messages=messages,
    )
    return response.choices[0].message.content

def invoke_chain(topic: str) -> str:
    prompt_value = prompt_template.format(topic=topic)
    messages = [{"role": "user", "content": prompt_value}]
    return call_chat_model(messages)

invoke_chain("ice cream")

With LCEL：

chain = ({"topic": RunnablePassthrough()} | prompt | model | output_parser)
chain.invoke("ice cream")

6.2 流式输出

With LCEL 只需一行：

for chunk in chain.stream("ice cream"):
    print(chunk, end="", flush=True)

6.3 批量并行处理

With LCEL 只需一行：

chain.batch(["ice cream", "spaghetti", "dumplings"])

6.4 异步调用

With LCEL 只需一行：

await chain.ainvoke("ice cream")

6.5 更换模型提供商（OpenAI → Anthropic）

With LCEL：

from langchain_anthropic import ChatAnthropic

anthropic = ChatAnthropic(model="claude-2")
anthropic_chain = (
    {"topic": RunnablePassthrough()} | prompt | anthropic | output_parser
)
anthropic_chain.invoke("ice cream")

6.6 回退机制（Fallbacks）

With LCEL 只需几行：

fallback_chain = chain.with_fallbacks([anthropic_chain])
fallback_chain.invoke("ice cream")           # 同步
await fallback_chain.ainvoke("ice cream")    # 异步
fallback_chain.batch([...])                  # 批量

6.7 使用 LLM 替代 Chat Model

from langchain_openai import OpenAI

# 使用 Completion 端点
llm = OpenAI(model="gpt-3.5-turbo-instruct")
llm_chain = ({"topic": RunnablePassthrough()} | prompt | llm | output_parser)
llm_chain.invoke("ice cream")

七、LCEL 进阶：AI 辩论链（多链组合）

7.1 辩论链结构

输入话题 → 原始观点 → 正面论述 → 反面论述 → 最终总结

7.2 完整代码实现

from operator import itemgetter
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.runnables import RunnablePassthrough

# 1️⃣ 计划器：生成关于给定输入的论点
planner = (
    ChatPromptTemplate.from_template("生成关于以下内容的论点：{input}")
    | ChatOpenAI()
    | StrOutputParser()
    | {"base_response": RunnablePassthrough()}
)

# 2️⃣ 正面论证：列出关于基础回应的正面方面
arguments_for = (
    ChatPromptTemplate.from_template(
        "列出关于{base_response}的正面或有利的方面"
    )
    | ChatOpenAI()
    | StrOutputParser()
)

# 3️⃣ 反面论证：列出关于基础回应的反面方面
arguments_against = (
    ChatPromptTemplate.from_template(
        "列出关于{base_response}的反面或不利的方面"
    )
    | ChatOpenAI()
    | StrOutputParser()
)

# 4️⃣ 最终响应者：综合原始回应和正反论点生成最终回应
final_responder = (
    ChatPromptTemplate.from_messages([
        ("ai", "{original_response}"),
        ("human", "正面观点：\n{results_1}\n\n反面观点：\n{results_2}"),
        ("system", "给出批评后生成最终回应"),
    ])
    | ChatOpenAI()
    | StrOutputParser()
)

# 5️⃣ 构建完整处理链
chain = (
    planner
    | {
        "results_1": arguments_for,
        "results_2": arguments_against,
        "original_response": itemgetter("base_response"),
    }
    | final_responder
)

# 调用辩论链
chain.invoke({"input": "房地产低迷"})

7.3 输出示例

★

在面对房地产低迷的情况下，需要综合考虑正面和反面观点，以找到平衡和解决问题的方法。同时，房地产市场的低迷也可能为购房者提供更好的机会，并寻求合适的解决方案，以实现经济的平稳发展和社会的和谐进步。

八、LCEL 核心优势总结

📌 本章核心要点总结

★

📚 下一章预告：第21章——生产级大模型应用开发平台 LangSmith，敬请期待！🚀

本课程系列文章持续更新中，欢迎关注！

本文整理自《AI 大模型应用开发实战营》第20章，讲师：彭靖田