LCEL简介
LCEL（Langchain Expression Language）是Langchain提供的一种专门的表达式，它可以用简洁和灵活的串联语法，使代码更为简洁。
chain = prompt | llm
result = chain.invoke({'season': '春天', 'type': '绝句'})
print(result)
虽然，LCEL语法看上去更简洁了，但是跟 Python 常规语法结构差异较大，学习成本较高，在项目中可以考虑酌情使用。
LCEL的主要特点
LCEL的主要特点包括：
-
流式支持：LCEL提供一流的流式支持，确保在构建链条时获得最佳的首个令牌时间，即输出的第一块内容出现之前的经过时间。
-
异步支持：使用LCEL构建的链条可以通过同步和异步API调用，这使得在原型设计和生产环境中使用相同的代码成为可能，具有出色的性能，并能够在同一服务器上处理多个并发请求。
-
优化的并行执行：LCEL自动优化并行执行链条中的步骤，例如从多个检索器获取文档，以尽可能减少延迟。
-
重试和回退机制：LCEL允许为链条的任何部分配置重试和回退机制，提高链条在大规模生产环境中的可靠性。
-
访问中间结果：对于更复杂的链条，LCEL支持在最终输出生成之前访问中间步骤的结果，这对于调试和提高用户可见性非常有用。
-
输入和输出模式：LCEL为每个链条提供了从其结构中推断出的Pydantic和JSONSchema模式，可用于输入和输出的验证，是LangServe不可或缺的一部分。
-
无缝集成：LCEL与LangSmith和LangServe无缝集成，所有步骤都会自动记录到LangSmith，以实现最大的可观察性和可调试性。
基本示例：提示 + 模型 + 输出解析器
以下是一个使用LCEL将提示模板、模型和输出解析器链接在一起的示例代码：
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
# 提示
prompt = ChatPromptTemplate.from_template("请讲一个关于{topic}的笑话")
# 模型（大语言模型）
model = ChatOpenAI(model="gpt-4")
# 输出解析器
output_parser = StrOutputParser()
# 组合成链
chain = prompt | model | output_parser
# 运行
response = chain.invoke({"topic": "冰激凌"})
# 打印结果
print(response)
在上述代码中，prompt、model和output_parser通过LCEL的管道符号（|）组合成一个链，类似于Unix的管道操作符。这种方式使得将不同的组件集成到单个链中变得直观且简洁。
LCEL的设计初衷是简化复杂链条的构建过程，并提供开箱即用的功能，如流式处理、并行执行和日志记录，使开发者能够更高效地开发和部署大语言模型应用。
