006-LangChain表达式语言（LCEL）案例分析

最新推荐文章于 2025-12-04 22:56:41 发布

原创最新推荐文章于 2025-12-04 22:56:41 发布 · 665 阅读

24 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #python #AI大模型 #人工智能

LangChain开发和实践示例专栏收录该内容

107 篇文章

订阅专栏

1. 案例目标

本案例旨在介绍LangChain表达式语言(LCEL)的基本用法，展示如何通过LCEL将提示模板、模型和输出解析器组合成一个完整的处理链。具体目标包括：

理解LCEL的基本概念和工作原理
学习如何创建和使用提示模板(PromptTemplate)
掌握如何将多个组件通过管道操作符(|)连接成链
了解如何使用输出解析器处理模型响应
实现流式输出和批量处理功能

2. 技术栈与核心依赖

本案例使用的主要技术栈和依赖包括：

LangChain - 用于构建AI应用的核心框架
langchain-openai - 提供与OpenAI API的集成
langchain-core - 提供LangChain的核心功能，包括提示模板和输出解析器
langchain-community - 提供社区贡献的组件和集成
langsmith - 用于跟踪和调试LangChain应用
langchain-opentutorial - 提供教程辅助功能
OpenAI API - 提供GPT-4o-mini模型服务

3. 环境配置

运行本案例需要进行以下环境配置：

3.1 安装依赖

# 安装langchain-opentutorial包
%pip install langchain-opentutorial

# 安装所需的核心包
from langchain_opentutorial import package
package.install(
    [
        "langsmith",
        "langchain",
        "langchain_openai",
        "langchain_community",
    ],
    verbose=False,
    upgrade=False,
)

3.2 设置环境变量

# 设置环境变量
from langchain_opentutorial import set_env

set_env(
    {
        "OPENAI_API_KEY": "",  # 设置您的OpenAI API密钥
        "LANGCHAIN_API_KEY": "",  # 设置LangSmith API密钥
        "LANGCHAIN_TRACING_V2": "true",
        "LANGCHAIN_ENDPOINT": "https://api.smith.langchain.com",
        "LANGCHAIN_PROJECT": "",
    }
)

也可以通过.env文件加载环境变量：

# 加载.env文件中的环境变量
from dotenv import load_dotenv
load_dotenv(override=True)

3.3 启用LangSmith跟踪

# 设置LangSmith跟踪
from langsmith import utils
utils.tracing_is_enabled()

4. 案例实现

4.1 提示模板的使用

提示模板(PromptTemplate)用于通过整合用户输入变量来创建完整的提示字符串。

创建提示模板

from langchain_core.prompts import PromptTemplate

# 定义模板
template = "What is the capital of {country}?"

# 使用from_template方法创建PromptTemplate对象
prompt_template = PromptTemplate.from_template(template)
prompt_template

使用提示模板生成提示

# 生成提示
prompt = prompt_template.format(country="Korea")
print(prompt)  # 输出: What is the capital of Korea?

prompt = prompt_template.format(country="USA")
print(prompt)  # 输出: What is the capital of USA?

4.2 链的创建

LangChain表达式语言(LCEL)允许我们使用管道操作符(|)将多个组件组合成一个链。

基本链的创建

from langchain_openai.chat_models import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 创建模型
model = ChatOpenAI(model="gpt-4o-mini", temperature=0.1)

# 创建提示
prompt = PromptTemplate.from_template("Please explain {topic} in simple terms.")

# 创建输出解析器
output_parser = StrOutputParser()

# 使用管道操作符创建链
chain = prompt | model | output_parser

调用链

# 设置输入
input = {"topic": "The Principles of Learning in Artificial Intelligence Models"}

# 调用链
response = chain.invoke(input)
print(response)

流式输出

# 请求流式输出
answer = chain.stream(input)

# 流式输出
for token in answer:
    print(token.content, end="", flush=True)

4.3 高级应用示例

案例中还展示了一个更复杂的应用，创建一个英语对话生成器：

创建对话模板

template = """
You are a seasoned English teacher with 10 years of experience. Please write an English conversation suitable for the given situation.  
Refer to the [FORMAT] for the structure.

#SITUATION:
{question}

#FORMAT:
- Dialogue in English:
- Explanation of the Dialogue: 
"""

# 生成提示
prompt = PromptTemplate.from_template(template)

# 初始化ChatOpenAI模型
model = ChatOpenAI(model_name="gpt-4o-mini")

# 初始化字符串输出解析器
output_parser = StrOutputParser()

# 构建链
chain = prompt | model | output_parser

使用对话生成器

# 执行链获取响应
print(chain.invoke({"question": "I want to go to a restaurant and order food."}))

# 流式输出
answer = chain.stream({"question": "Ordering Pizza in the US"})
for token in answer:
    print(token, end="", flush=True)