LangChain 表达式语言 (LCEL) 的链式使用方法

什么是 LCEL？

LCEL (LangChain Expression Language) 是 LangChain 提供的一种声明式的方式，用于构建复杂的链式调用流程。你可以把它想象成用乐高积木搭建流程，每个积木代表一个组件（比如 LLM、PromptTemplate、输出解析器等），通过 LCEL，你可以像拼积木一样把它们连接起来，形成一个完整的流程。

LCEL 的优势：

• 简洁易懂： 使用声明式语法，代码更清晰，易于理解和维护。
• 灵活性强： 可以轻松地组合各种组件，构建复杂的流程。
• 可扩展性好： 方便添加、删除或修改流程中的组件。
• 流式处理： 支持流式输出，可以更快地看到结果。
• 并行处理： 可以并行执行流程中的某些步骤，提高效率。

LCEL 的核心概念：

• Runnable： LCEL 的核心接口，表示可以被调用的对象。LangChain 中的大多数组件（如 LLM、PromptTemplate、输出解析器等）都实现了 Runnable 接口。
• Pipe Operator (|)： 管道操作符，用于连接 Runnable 对象，表示将前一个 Runnable 的输出作为后一个 Runnable 的输入。
• RunnableSequence： 由多个 Runnable 对象通过管道操作符连接而成的序列。
• RunnableParallel： 并行执行多个 Runnable 对象。
• RunnablePassthrough： 将输入原封不动地传递给下一个 Runnable 对象。
• RunnableLambda： 允许你将一个 Python 函数包装成 Runnable 对象。

LCEL 的基本用法：

1. 导入必要的模块：

   from langchain.prompts import PromptTemplate
   from langchain.llms import OpenAI
   from langchain.chains import LLMChain
   from langchain.schema import StrOutputParser
   

2. 创建 Runnable 对象：

   • PromptTemplate： 用于创建提示词模板。

     prompt = PromptTemplate.from_template("请用{language}写一个关于{topic}的故事。")
     

   • LLM： 用于调用大型语言模型。

     llm = OpenAI(temperature=0.7)  # temperature 控制生成文本的随机性
     

   • StrOutputParser： 将 LLM 的输出转换为字符串。

     output_parser = StrOutputParser()
     

   • RunnableLambda： 将 Python 函数包装成 Runnable 对象。

     def format_output(text):
         return f"**故事：**\n{
              
               
               text}"
     
     formatter = RunnableLambda(format_output)
     

3. 使用管道操作符 (|) 连接 Runnable 对象：

   chain = prompt | llm | output_parser