总结之LangChain（二）——LCEL表达式、使用多链

LCEL介绍

LangChain 表达式语言（LCEL）是一种声明式的方法，可以轻松地将多个链条组合在一起。

LCEL 从第一天开始设计就支持将原型投入生产，无需进行代码更改，从最简单的“提示 + LLM”链条到最复杂的链条（我们见过人们在生产中成功运行包含数百个步骤的 LCEL 链条）

• 支持流式
• 支持异步
• 支持并行
• 无缝 LangSmith 跟踪
• 无缝 LangServe 部署

LCEL使用

基本示例：提示(Prompt) + 模型(Model) + 输出解析器(OutputParser)

简单示例

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate 

# 模型
model = ChatOpenAI(参数省略...)
# 模板
prompt = ChatPromptTemplate.from_template("你是历史专家，请讲一个关于{topic}的历史故事。")
# 输出解析器
output_parser = StrOutputParser()
# 链
chain = prompt | model | output_parser
# 执行
chain.invoke({
   "topic": "刘彻"}) 

chain = prompt | model | output_parser：类似于unix管道运算符，其中链将不同的组件组合在一起，从一个组件提供输出作为下一个组件的输入。|

在此链中，用户输入被传递到提示模板，然后提示模板输出传递给模型，然后模型输出为传递给输出解析器。

元素解读

• prompt :是一个BasePromptTemplate，这意味着它接受模板变量的字典并生成PromptValue,是提示词包装
• model :将PromptValue传递给模型。在这种情况下，我们的模型是ChatModel，这意味着它将输出BaseMessage
• output_parser
  :最后，我们将模型输出传递给output_parser，它是一个BaseOutputParser，这意味着它接受字符串或BaseMessage作为输入。指定的StrOutputParser只需将任何输入转换为字符串

完整步骤

• 我们将用户的主题以 {“topic”:“刘彻”} 形式输入
• 提示组件（Prompt）接受用户输入，然后在使用主题构造提示后使用该输入构造PromptValue。
• 模型组件（Model）接受生成的提示，并传递到OpenAI LLM模型中进行评估。模型生成的输出是一个ChatMessage对象。
• 最后，output_parser组件接收ChatMessage，并将其转换为从invoke方法返回的Python字符串。

知道具体步骤后，我们可以对其拆分，查看中间过程结果

# 模型
model = ChatOpenAI(参数省略...)
# 模板
prompt = ChatPromptTemplate.from_template("你是历史专家，请讲一个关于{topic}的历史故事。")
input = {
   "topic": "刘彻"} 
# prompt执行invoke方法的输出
prompt.invoke(input)
# 输出
ChatPromptValue(messages=[HumanMessage(content='你是历史专家，请讲一个关于刘彻的历史故事。')])  

# prompt+model执行invoke的输出