本文 對《LangChain》一文中的 Chain 與 LCEL 部分的示例進行詳細的展示。

先回顧下 在LangChain框架中，Chain（鏈） 和 LCEL（LangChain Expression Language） 是兩個密切相關但本質不同的概念。

Chain（鏈）: 是LangChain中處理流程的抽象概念，指將多個組件（模型、工具、邏輯）串聯成一個可執行的任務序列。

LangChain Expression Language（LCEL）是一種聲明式語言，可輕松組合不同的調用順序構成 Chain。LCEL 自創立之初就被設計為能夠支持將原型投入生產環境，無需代碼更改，從最簡單的“提示+LLM”鏈到最復雜的鏈（已有用戶成功在生產環境中運行包含數百個步驟的 LCEL Chain）。

在本文中 LCEL 產生的對象，被叫做 runnable 或 chain，經常兩種叫法混用。本質就是一個自定義調用流程。

1、Pipeline 式調用 PromptTemplate, LLM 和 OutputParser

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough
from pydantic import BaseModel, Field, validator
from typing import List, Dict, Optional
from enum import Enum
import json

# 輸出結構
class SortEnum(str, Enum):
    data = 'data'
    price = 'price'


class OrderingEnum(str, Enum):
    ascend = 'ascend'
    descend = 'descend'


class Semantics(BaseModel):
    name: Optional[str] = Field(description="套餐名稱", default=None)
    price_lower: Optional[int] = Field(description="價格下限", default=None)
    price_upper: Optional[int] = Field(description="價格上限", default=None)
    data_lower: Optional[int] = Field(description="流量下限", default=None)
    data_upper: Optional[int] = Field(description="流量上限", default=None)
    sort_by: Optional[SortEnum] = Field(description="按價格或流量排序", default=None)
    ordering: Optional[OrderingEnum] = Field(description="升序或降序排列", default=None)


# Prompt 模板
prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一個語義解析器。你的任務是將用戶的輸入解析成JSON表示。不要回答用戶的問題。"),
        ("human", "{text}"),
    ]
)

# 模型
llm = ChatOpenAI(model="gpt-4o", temperature=0)

structured_llm = llm.with_structured_output(Semantics)

# LCEL 表達式
runnable = (
    {"text": RunnablePassthrough()} | prompt | structured_llm
)

# 直接運行
ret = runnable.invoke("不超過100元的流量大的套餐有哪些")
print(
    json.dumps(
        ret.dict(),
        indent = 4,
        ensure_ascii=False
    )
)

輸出結果如下：

流式輸出，就是那種一個字一個字蹦的輸出，大家可以用下面代碼體驗一下玩一玩

prompt = PromptTemplate.from_template("講個關于{topic}的笑話")

runnable = (
    {"topic": RunnablePassthrough()} | prompt | llm | StrOutputParser()
)

# 流式輸出
for s in runnable.stream("李華"):
    print(s, end="", flush=True)

2、用LECL實現RAG

我們通過分割一個 pdf 文件形成向量庫，示例如下：

from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_openai import ChatOpenAI
from langchain.chains import RetrievalQA
from langchain_community.document_loaders import PyMuPDFLoader

# 加載文檔
loader = PyMuPDFLoader("llama2.pdf")
pages = loader.load_and_split()

# 文檔切分
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=300,
    chunk_overlap=100,
    length_function=len,
    add_start_index=True,
)

texts = text_splitter.create_documents(
    [page.page_content for page in pages[:4]]
)

# 灌庫
embeddings = OpenAIEmbeddings(model="text-embedding-ada-002")
db = FAISS.from_documents(texts, embeddings)

# 檢索 top-2 結果
retriever = db.as_retriever(search_kwargs={"k": 2})

from langchain.schema.output_parser import StrOutputParser
from langchain.schema.runnable import RunnablePassthrough

# Prompt模板
template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)

# Chain
rag_chain = (
    {"question": RunnablePassthrough(), "context": retriever}
    | prompt
    | llm
    | StrOutputParser()
)

rag_chain.invoke("Llama 2有多少參數")

輸出結果如下：

3、LECL 的意義是什么

在 LangChain 框架中，LCEL（LangChain Expression Language）的意義主要體現在增強模塊間的解耦能力、提升流程編排的靈活性，并為復雜的 LLM（大語言模型）應用構建提供標準化的邏輯表達工具。以下是具體分析：

一、LangChain 中的模塊解耦需求

LangChain 的核心目標是通過組合不同的組件（如 LLMs、Prompt 模板、工具調用、內存管理等）構建復雜的應用流程。例如：

• 組件類型：LLM 調用、工具（如計算器、數據庫查詢）、內存（對話歷史存儲）、Prompt 模板、鏈（Chain，如 SequentialChain、RouterChain）等。

• 解耦痛點：
  傳統方式下，組件間的交互邏輯（如條件分支、數據轉換、循環控制）可能硬編碼在鏈的代碼中，導致：

  • 鏈的邏輯難以復用或動態調整；
  • 組件更換（如從 OpenAI 切換到 Anthropic）時，需修改鏈的控制邏輯；
  • 復雜流程（如多輪工具調用、動態路由）的編排缺乏標準化表達。

二、LCEL 的核心意義：作為模塊間的 “邏輯中介”

LCEL 是 LangChain 設計的一套聲明式表達式語言，用于描述組件間的數據流動和邏輯控制。其核心價值體現在以下方面：

1. 分離邏輯控制與組件實現

• 傳統硬編碼問題：
  例如，在鏈中通過 Python 代碼實現條件判斷：

  if result.score > 0.8:
      return llm.predict(prompt.format(data=result))
  else:
      return tool.query(data=result)
  
  

  
  此時，條件邏輯與鏈的代碼強耦合，難以復用或動態修改。

• LCEL 的解耦作用：
  將條件邏輯抽象為 LCEL 表達式，存儲在配置中：

  condition: "{{ score > 0.8 }}"
  then:
    action: llm.predict
    params:
      prompt: "用戶輸入：{{ input }}"
  else:
    action: tool.query
    params:
      data: "{{ input }}"
  
  

  • 鏈的代碼僅負責解析 LCEL 表達式，根據結果調用組件；
  • 邏輯變更時只需修改表達式，無需調整鏈的代碼，實現 “邏輯外置”。

2. 標準化組件交互協議

LCEL 定義了一套統一的語法規則（如變量引用、運算符、函數調用），作為不同組件間的 “通信語言”：

• 數據傳遞：通過 {{ variable }} 引用上游組件的輸出（如 LLM 的返回結果、工具的查詢數據）。
• 邏輯操作：支持算術運算（+、-）、條件判斷（if-else）、集合操作（map、filter）等，避免不同組件自定義邏輯語法。
• 函數擴展：可注冊自定義函數（如 format_date()、calculate_score()），供表達式調用，實現跨組件的邏輯復用。

示例：
通過 LCEL 表達式編排多步流程：

from langchain.lcel import LCELChain

expression = """
let score = tool.calculate_score(input.data);
if (score > 0.6) {
  return llm.generate(prompt: "高分結果：{{ score }}");
} else {
  return tool.analyze(input.data);
}
"""

chain = LCELChain.from_expression(expression, components={
  "tool": MyCustomTool(),
  "llm": OpenAI(temperature=0.1)
})

• 組件（tool、llm）僅需按約定輸出數據字段，無需關心流程邏輯；
• 鏈通過 LCEL 表達式動態調度組件，解耦組件與流程控制。

3. 支持動態流程編排與熱更新

在 LangChain 中，復雜應用（如智能客服、數據分析助手）常需根據實時數據調整流程。LCEL 的聲明式特性使其適合動態場景：

• 場景 1：AB 測試
  通過后端配置不同的 LCEL 表達式，控制 A/B 組用戶的流程分支（如優先調用工具 A 或工具 B），無需重啟服務。
• 場景 2：低代碼平臺
  用戶通過可視化界面配置 LCEL 表達式（如拖拽生成 {{ order.amount > 1000 ? "大客戶" : "普通客戶" }}），快速生成定制化鏈，降低開發門檻。
• 場景 3：實時策略調整
  在金融風控場景中，通過動態修改 LCEL 表達式（如調整風險評分閾值 score > 0.7 → score > 0.75），實時更新風控流程，而無需修改代碼。

4. 提升組件復用性與可測試性

• 組件復用：
  標準化的 LCEL 接口使組件可插拔。例如，替換 LLM 提供商時，只需修改組件實例（如從 OpenAI 改為 Cohere），LCEL 表達式無需變更。

• 獨立測試：
  可單獨測試 LCEL 表達式的邏輯正確性，如：

  from langchain.lcel import evaluate
  
  # 測試條件表達式
  result = evaluate("{{ score > 0.8 ? 'pass' : 'fail' }}", context={"score": 0.9})
  assert result == "pass"
  
  

  
  無需啟動完整的鏈或依賴外部服務，提升測試效率。

5. 適配多模態與復雜工具調用

LangChain 常需集成多種工具（如 SQL 查詢、API 調用、文件解析），LCEL 可簡化多模態數據的處理邏輯：

• 示例：處理結構化數據

  expression = """
  let data = sql_tool.query("SELECT * FROM orders WHERE amount > {{ threshold }}");
  let summary = llm.summarize(text: json.stringify(data.rows));
  return summary;
  """
  

  • 通過 LCEL 鏈式調用 SQL 工具和 LLM，解耦數據查詢與摘要生成邏輯；
  • 表達式清晰描述數據流動路徑，避免代碼層面的嵌套回調。

三、LCEL 與 LangChain 架構的協同

LCEL 的設計與 LangChain 的模塊化架構深度協同，目標是構建 **“表達式驅動的智能應用”**：

1. 底層組件層：提供標準化接口（如 call()、parse()），供 LCEL 表達式調用；
2. LCEL 層：作為邏輯編排層，通過表達式描述組件交互規則；
3. 應用層：通過配置文件、API 動態注入 LCEL 表達式，快速組裝不同功能的鏈。

這種分層設計使 LangChain 既能保持代碼的簡潔性，又能通過 LCEL 靈活應對復雜業務需求，尤其適合需要頻繁調整邏輯的生成式 AI 場景（如智能文檔處理、對話系統流程控制等）。