LangChain LCEL表达式语言实战与RAG示例

在 LangChain 生态中，LCEL (LangChain Expression Language) 是一种声明式的链式编写方式。它将复杂的应用逻辑简化为类似 Unix 管道的语法，是官方推荐的构建生产级应用的标准路径。相比传统的嵌套构造方式，LCEL 提供了更优的可读性、健壮性和开发体验。

核心语法：管道操作符 |

LCEL 的核心在于使用管道操作符 | 连接不同的组件。数据从左向右流动，每个组件的输出会自动成为下一个组件的输入。其基本公式如下：

chain = prompt | model | parser

这种写法的优势在于，它能清晰地展示数据的流动路径，使得复杂链的构建和调试都变得直观。

为什么推荐使用 LCEL？

选择 LCEL 并非仅仅因为语法简洁，它带来了一系列生产级别的特性：

• 流式支持 (Streaming)：使用 LCEL 构建的链天然支持流式输出，无需额外适配，能极大提升终端用户的体验。
• 异步支持 (Async)：同一份代码无缝支持同步调用 (invoke) 和异步调用 (ainvoke)，方便根据场景灵活选择。
• 并行执行：利用 RunnableParallel 可以轻松实现多个任务的并发执行，有效缩短整体响应时间。
• 自动重试与回退：通过 with_fallbacks 可以方便地配置备用方案，当主模型调用失败时自动切换到备用模型，增强应用的鲁棒性。
• 类型检查：在运行前就能清晰地了解每个环节输入和输出的数据格式（Schema），减少运行时错误。

这些特性让 LCEL 成为从人工智能原型快速过渡到稳定服务的强大工具。

核心原语：Runnables

LCEL 的基础是各种 Runnable 组件，它们都支持 | 操作符。以下是几个关键原语：

• RunnablePassthrough
  用于透传输入数据或为上下文添加新的变量，而不改变原始输入流。
• RunnableParallel
  用于并行运行多个子任务。常用于将输入分发给不同的提示模板或工具，然后合并结果。
• RunnableLambda
  允许你将自定义的 Python 函数包装成 LCEL 兼容的组件，提供了极大的灵活性。

实战示例：构建一个 RAG 链

下面我们通过一个完整的 RAG (检索增强生成) 流程来演示 LCEL 的实际应用。

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

# 1. 准备基础组件
model = ChatOpenAI()
prompt = ChatPromptTemplate.from_template("基于以下上下文回答问题：\n{context}\n\n问题：{question}")
parser = StrOutputParser()

# 假设 retriever 是已定义好的向量库检索器
retriever = vectorstore.as_retriever()

# 2. 使用 LCEL 构建链
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | model
    | parser
)

# 3. 运行链
# 数据流：输入问题 -> 检索上下文并保留问题 -> 填充提示模板 -> 调用大模型 -> 解析文本输出
result = chain.invoke("LangChain 的主要优势是什么？")
print(result)

这段代码清晰地定义了一个数据处理管道：首先通过检索器获取相关上下文，与原始问题一起填入模板，交给大模型生成，最后解析出纯文本答案。

LCEL 与传统 Chain 的对比

为了更直观地理解 LCEL 的优势，我们将其与传统构造方式（如 LLMChain）进行对比：

进阶技巧：配置化与故障回退

LCEL 让高级功能的实现变得异常简单。例如，配置模型故障自动回退仅需一行代码：

# 配置主模型和备用模型
primary_model = ChatOpenAI(model="gpt-4")
fallback_model = ChatOpenAI(model="gpt-3.5-turbo")

# 构建带降级策略的链
chain = prompt | primary_model.with_fallbacks([fallback_model]) | parser

当 gpt-4 因额度超限或网络问题失败时，链会自动切换至 gpt-3.5-turbo 继续执行，保障服务的可用性。

总结

LCEL 代表了 LangChain 框架向更高阶、更工程化的发展方向。它不仅仅是一种更优雅的语法糖，更重要的是它内置了流式、异步、并行、降级等生产环境必需的考量。掌握 LCEL，意味着你能更高效地将 AI 原型转化为稳定、可靠的应用服务。如果你想深入了解其设计细节，查阅技术文档中的官方说明将是很好的下一步。