本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
LangChain 表达式语言 (LCEL) 是 LangChain 的核心，它提供了一种声明式的方式来组合和编排组件，构建从简单到复杂的链 (Chains)。LCEL 的设计哲学是让构建过程透明、可定制且高效。
LCEL 的所有核心组件都实现了一个统一的 Runnable 接口，这使得它们可以轻松地通过管道符 | (pipe) 连接在一起。
为什么使用 LCEL?
- 统一的接口: 所有 LCEL 对象都实现了相同的
Runnable接口，包含invoke,stream,batch,ainvoke,astream,abatch等方法。这为调用、流式传输、批处理和异步操作提供了统一的标准。 - 开箱即用的流式传输 (Streaming) : 当你用 LCEL 构建一个链时，你可以立即获得流式传输的能力。当你调用
.stream()时，最终的答案会以 token by token 的形式流式返回，极大地提升了用户体验。 - 并列执行 (Parallelism) : LCEL 可以智能地将链的某些部分并行执行。例如，如果你有多个并行的检索器，LCEL 会同时调用它们，以提高效率。
- 可组合性: 通过管道符
|，你可以像拼接 Linux 命令一样，将不同的组件（提示、模型、输出解析器、检索器等）轻松地组合在一起。 - 可观测性与调试: LCEL 链的每一步都可以被观察和调试。结合 LangSmith，你可以清晰地看到每一步的输入和输出，方便你快速定位问题。
核心语法：管道符 |
LCEL 的核心是管道符 |。它的作用是将一个 Runnable 的输出作为下一个 Runnable 的输入。
一个最基础的链通常由三部分组成：
PromptTemplate: 接收用户输入，并将其格式化为一个提示。LLM或ChatModel: 接收提示，并调用模型生成结果。OutputParser: 接收模型输出，并将其转换为更友好的格式（例如，从字符串转换为 JSON）。
下面是一个简单的例子：
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
# 1. 定义提示模板
prompt = ChatPromptTemplate.from_template("给我讲一个关于 {topic} 的笑话")
# 2. 定义模型
model = ChatOpenAI(model="deepseek-v3")
# 3. 定义输出解析器
output_parser = StrOutputParser()
# 4. 使用管道符 | 组合成链
chain = prompt | model | output_parser
# 5. 调用链
result = chain.invoke({"topic": "程序员"})
print(result)
在本章的示例代码中，我们将更深入地探讨 LCEL 的各种用法，包括 RunnablePassthrough 和 RunnableParallel 等高级特性。
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
