大家好，我是雨飞。
LangChain 的表达式语言（简称LCEL），是 LangChain 提供的一种类似 linux 管道操作的符号语言，通过这种语言可以更方便轻松的构建 LLMChain 去实现对话调用，RAG 等操作。今天，就让我们一起来了解一下这门语言。
一、什么是 LCEL
LCEL 是一种声明式方法，可以轻松地将链组合在一起。LCEL 从设计之初就支持将原型投入生产， 从最简单的 "prompt + LLM "链到最复杂的链，无需修改代码。主要的优点有下面几个：
1、对于流式处理的支持。当你使用 LCEL 去构建链时，可以很方便的转为流式输出。而使用其他方法，则需要重新修改代码
2、异步支持。使用 LCEL的时候，可以同时使用同步和异步的 API 进行调用。
3、并行执行优化。如果 LCEL 中有一些步骤可以并行执行，那么就可以自动的去并行执行，不需要额外修改代码
4、重试和回退机制。可以提高整个链路调用的可靠性。
5、访问中间结果。你可以通过 LangServe 去方便的访问链路中的中间 结果。
6、输入输出模式定义。LCEL 可以使用 pydantic 和 JSON 格式去验证链的输入和输出。
7、无缝衔接 LangSmith 和 LangServe。
二、参考示例
下面是一个简单的 LECL 调用示例，其中| 这个符号和 linux 的管道符号比较相似，意味着链可以轻易的链接各个组件。比如，从提示词到大模型到最后的输出解析器就构成了一个 chain。
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
model = ChatOpenAI(model="gpt-4")
prompt = ChatPromptTemplate.from_template("请帮我讲一个关于{topic}的笑话")
output_parser = StrOutputParser()
chain = prompt | model | output_parser
chain.invoke({"topic": "冰激凌"})
1、提示词
我们使用了 ChatPromptTemplate 去表示提示词，这个和 python 的 format 语法比较类似，用于将括号里的词进行填充。因此，我们如果想在 ChatPromptTemplate 中使用括号的时候，需要转义，使用 {{x}} 的这种形式。
prompt_value = prompt.invoke({"topic": "ice cream"})
2、模型
我们使用了 OpenAI 的 ChatModel 去接受这个提示词，然后输出一个 BaseMessage 的类。如果是 LLM，则只会输出一个字符串。
3、输出解析器
我们最后，将模型的输出传递给输出解析器，它可以接受 string 或者 BaseMessage 作为输入。其中，StrOutputParser 就是会把输入转为一个 string。
4、全部的流水线
将上面三个步骤进行串接，我们就得到了一开始的调用链。
首先，将用户的输入传递给提示词模板，然后输出一个 PromptValue ；模型根据提示词进行处理，得到处理之后的 ChatMessage；输出解析器将 ChatMessage 解析成字符串得到最终的结果。
当然，我们也可以任意组合形成新的链去看一下这个链路的中间结果，比如
input = {"topic": "冰激凌"}
prompt.invoke(input)
(prompt | model).invoke(input)
更多示例，可以参考下面的文章：
雨飞：从零开始学 langchain 之搭建最小的 RAG 系统
好了，这篇文章到此结束，如果对你有所感悟，欢迎点赞，评论 。也欢迎加我微信 「1060687688」，一起交流。
