引言

LangChain的核心概念是Chain，它是一種由多個流程構件組成的有向圖，可以對輸入的文本進行各種轉換和處理，輸出你想要的結果。LangChain提供了一種專門的表達式語言，叫做LCEL（LangChain Expression Language），它可以讓你用簡潔和靈活的語法來定義和操作Chain，無需編寫復雜的代碼。

今天我將帶領大家使用LCEL語法來構建和組合Chain，實現強大的LLM應用。

LCEL語法基礎

LCEL是一個用于構建復雜鏈式組件的語言，它支持流式處理、并行化、日志記錄等功能。LCEL的基本語法規則是使用|符號將不同的組件連接起來，形成一個鏈式結構。|符號類似于Unix的管道操作符，它將一個組件的輸出作為下一個組件的輸入，從而實現數據的傳遞和處理。

LCEL的語法非常簡潔和靈活，它可以用于各種場景和任務。例如，我們可以使用LCEL來實現以下功能：

• 生成一個關于某個主題的笑話：我們可以將一個提示模板和一個語言模型組合起來，形成一個鏈式結構，如下所示：

prompt = BasePromptTemplate("tell me a short joke about {topic}")
model = ChatModel()
output_parser = StrOutputParser()
joke = ({"topic": RunnablePassthrough()} | prompt | model | output_parser)

這個鏈式結構的作用是，首先根據用戶輸入的主題，生成一個提示，然后將提示傳遞給語言模型，讓它生成一個笑話，最后將笑話轉換為字符串，返回給用戶。我們可以用以下代碼來測試這個鏈式結構：

joke.invoke("ice cream")
# > "Why did the ice cream go to therapy? \n\nBecause it had too many toppings and couldn't find its cone-fidence!"

通過以上案例，我們能夠了解如何使用LCEL語言構建一個生成笑話的鏈式結構。我將為您解釋其中的每一步：

• 首先，我們傳入用戶想要的主題，例如 "ice cream"，作為輸入。
• 通過{"topic": RunnablePassthrough()}，將輸入轉化為字典類型{"topic": "ice cream"}
• 然后，我們使用提示模板組件，根據用戶輸入的主題，生成一個提示，例如"tell me a short joke about ice cream"，并將其封裝為一個PromptValue類型的對象。這個對象可以適用于不同類型的語言模型，因為它可以生成字符串或消息序列。
• 接著，我們使用大語言模型，會根據提示模板生成的提示，生成一段文本，例如"Why did the ice cream go to therapy?\nBecause it had too many toppings and couldn't cone-trol itself!"，并將其封裝為一個ChatMessage類型的對象。這個對象包含了生成者、內容和時間等信息。
• 最后，我們使用輸出解析器組件，根據用戶的需求，將語言模型生成的文本轉換為不同的格式或類型，例如字符串。這樣，用戶就可以方便地獲取和使用生成的內容。

為什么要用LCEL?

LCEL語法的核心思想是：一切皆為對象，一切皆為鏈。這意味著，LCEL語法中的每一個對象都實現了一個統一的接口：Runnable，它定義了一系列的調用方法（invoke, batch, stream, ainvoke, …）。這樣，你可以用同樣的方式調用不同類型的對象，無論它們是模型、函數、數據、配置、條件、邏輯等等。而且，你可以將多個對象鏈接起來，形成一個鏈式結構，這個結構本身也是一個對象，也可以被調用。這樣，你可以將復雜的功能分解成簡單的組件，然后用LCEL語法將它們組合起來，形成一個完整的應用。

LCEL語法還提供了一些組合原語，讓你可以更靈活地控制鏈式結構的行為，例如：

• 并行化：你可以使用parallel原語將多個對象并行執行，提高效率和性能。
• 回退：你可以使用fallback原語為某個對象指定一個備選對象，當主對象執行失敗時，自動切換到備選對象，保證應用的可用性和穩定性。
• 動態配置：你可以使用config原語為某個對象指定一個配置對象，根據運行時的輸入或條件，動態地修改對象的參數或屬性，增加應用的靈活性和適應性。

LCEL語法的優勢

為了更好地理解LCEL語法的優勢，我們可以將它與傳統的編程語言進行對比，看看如果不使用LCEL語法，我們需要做哪些額外的工作。我們仍以上述笑話的生成鏈為例。

這段代碼非常簡潔和清晰，只需要幾行就可以實現我們想要的功能。而且，這段代碼還具有很高的可擴展性和靈活性，例如：

• 如果我們想要以流式的方式獲取笑話，我們只需要改變調用方法，使用stream代替invoke：

# 調用笑話對象，傳入一個主題字符串，得到一個笑話字符串的流
joke.stream("dog")

• 如果我們想要同時處理多個主題，我們只需要改變調用方法，使用batch代替invoke：

# 調用笑話對象，傳入一個主題字符串的列表，得到一個笑話字符串的列表
joke.batch(["dog", "cat", "banana"])

• 如果我們想讓請求異步執行只需要

joke.ainvoke("dog")

• 模型的變更也十分簡單,只需要變更modal變量的定義即可

prompt = BasePromptTemplate("tell me a short joke about {topic}")
# 改用gpt-3.5-turbo的llm
model = OpenAI(model="gpt-3.5-turbo")
output_parser = StrOutputParser()
joke = ({"topic": RunnablePassthrough()} | prompt | model | output_parser)

• 同時LCEL標準模型中的對象都可以直接增加同類型對象作為fallbacks，操作上只需要執行with_fallbacks方法即可。由于整條鏈亦是LCEL標準模型，因而鏈亦可配置fallbacks

# 增加OpenAI的llm作為ChatModel的fallbacks
prompt = BasePromptTemplate("tell me a short joke about {topic}")
model = ChatModel()
fallback_llm = OpenAI(model="gpt-3.5-turbo")
modal_with_fallback = model.with_fallbacks([fallback_llm])
output_parser = StrOutputParser()
joke = ({"topic": RunnablePassthrough()} | prompt | modal_with_fallback | output_parser)

以上只是一些簡單的例子，你可以根據自己的需求，使用LCEL語法提供的更多的組合原語，實現更復雜的功能和效果。

那么，如果我們不使用LCEL語法，而是使用傳統的編程語言，我們需要做哪些額外的工作呢？我們以Python為例，看看我們需要寫多少代碼，才能實現與LCEL語法相同的功能。

代碼對比

從上面的代碼可以看出，如果我們不使用LCEL語法，而是使用傳統的編程語言，我們需要寫很多的代碼，才能實現與LCEL語法相同的功能。而且，這些代碼還存在很多的問題，例如：

• 代碼的可讀性和可維護性很差，需要花費很多的時間和精力去理解和修改。
• 代碼的可擴展性和靈活性很低，需要對代碼進行大量的修改，才能實現不同的功能和效果。
• 代碼的可復用性和可移植性很差，需要對代碼進行大量的修改，才能適應不同的場景和平臺。

因此，我們可以看出，LCEL語法相比傳統的編程語言，具有很多的優勢，它可以讓我們更高效、更簡單、更靈活地構建復雜的AI應用。

總結

在本文中，我們介紹了如何使用LangChain的LECL語法。我們介紹了LECL的基本語法以及基于LECL的流、異步等多種用法，并對比了不適用LECL語法開發的情況。

我們希望本文能夠幫助你了解LangChain中特色的LECL語法，鼓勵你嘗試使用LangChain開發自己的應用。

參考資料：

• [1] Why use LCEL.https://python.langchain.com/docs