【可能是全网最丝滑的LangChain教程】七、LCEL表达式语言

本文主要是介绍【可能是全网最丝滑的LangChain教程】七、LCEL表达式语言，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

系列文章地址

【可能是全网最丝滑的LangChain教程】一、LangChain介绍-CSDN博客

【可能是全网最丝滑的LangChain教程】二、LangChain安装-CSDN博客

【可能是全网最丝滑的LangChain教程】三、快速入门LLM Chain-CSDN博客

【可能是全网最丝滑的LangChain教程】四、快速入门Retrieval Chain-CSDN博客

【可能是全网最丝滑的LangChain教程】五、快速入门Conversation Retrieval Chain-CSDN博客

【可能是全网最丝滑的LangChain教程】六、快速入门Agent-CSDN博客

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）。以下是您可能想要使用 LCEL 的几个原因：

一流的流式支持

当您使用 LCEL 构建链条时，您将获得最佳的首个令牌时间（即输出的第一块内容出现之前的经过时间）。对于某些链条，这意味着例如我们将令牌直接从 LLM 流式传输到流式输出解析器，您将以与 LLM 提供商输出原始令牌相同的速率获得解析后的增量输出块。

异步支持

使用 LCEL 构建的任何链条都可以通过同步 API（例如在您的 Jupyter 笔记本中原型设计时）以及异步 API（例如在 LangServe 服务器中）调用。这使得可以使用相同的代码进行原型设计和生产，具有出色的性能，并且能够在同一服务器中处理许多并发请求。

优化的并行执行

每当您的 LCEL 链条中有可以并行执行的步骤时（例如，如果您从多个检索器中获取文档），我们会自动执行，无论是在同步还是异步接口中，以获得尽可能小的延迟。

重试和备选方案

为您的 LCEL 链条中的任何部分配置重试和备选方案。这是一种在大规模生产中使您的链条更可靠的绝佳方式。我们目前正在努力为重试/备选方案添加流式支持，这样您可以在不增加任何延迟成本的情况下获得增强的可靠性。

访问中间结果

对于更复杂的链条，访问中间步骤的结果在最终输出产生之前往往非常有用。这可以用来让最终用户知道正在发生某些事情，或者仅仅是用来调试您的链条。您可以流式传输中间结果，并且它在每个 LangServe 服务器上都可用。

输入和输出模式

输入和输出模式为每个 LCEL 链条提供了 Pydantic 和 JSONSchema 模式，这些模式是从您的链条结构中推断出来的。这可以用于输入和输出的验证，并且是 LangServe 不可或缺的一部分。

无缝 LangSmith 跟踪

随着您的链条变得越来越复杂，理解每个步骤确切发生了什么变得越来越重要。使用 LCEL，所有步骤都会自动记录到 LangSmith，以实现最大的可观察性和可调试性。

无缝 LangServe 部署

使用 LCEL 创建的任何链条都可以轻松地使用 LangServe 部署。

使用教程

LCEL 可以很容易地从基本组件构建复杂的链，并且支持开箱即用的功能，例如流式处理、并行性、和日志记录。

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

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("你是冷笑话大师，请讲一个关于{topic}的笑话。")
# 输出解析器
output_parser = StrOutputParser()
# 链
chain = prompt | model | output_parser
# 执行
chain.invoke({"topic": "维生素"})# =========================
# 输出
为什么维生素C总是那么自信？因为它知道，身体需要它"C"位出道！

请注意代码的这一行，我们将这些不同的代码拼凑在一起使用 LCEL 将组件集成到单个链中：

chain = prompt | model | output_parser

该符号类似于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。

组件解析

Prompt

prompt是一个BasePromptTemplate，这意味着它接受模板变量的字典并生成PromptValue。PromptValue是一个完整提示的包装，可以传递给LLM（以字符串作为输入）或ChatModel（以消息序列作为输入）。它可以与任何一种语言模型类型一起使用，因为它定义了用于生成BaseMessages和用于生成字符串的逻辑。

prompt_value = prompt.invoke({"topic": "维生素"})# 打印prompt_value
print(prompt_value)
# 输出如下
ChatPromptValue(messages=[HumanMessage(content='你是冷笑话大师，请讲一个关于维生素的笑话。')]) # 打印prompt_value.to_messages()
print(prompt_value.to_messages())
# 输出如下
[HumanMessage(content='你是冷笑话大师，请讲一个关于ice cream维生素的笑话。')]# 打印prompt_value.to_string()
print(prompt_value.to_string())
# 输出如下
Human: 你是冷笑话大师，请讲一个关于ice cream维生素的笑话。

Model

然后将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。

message = model.invoke(prompt_value)# 打印message
print(message)
# 输出
AIMessage(content='为什么维生素C总是那么自信？因为它知道，身体需要它"C"位出道！ ', ...其它参数省略)

如果我们的模型是LLM，它将输出一个字符串。

from langchain_openai import OpenAI# 初始化代码
llm = OpenAI(参数省略...)
llm.invoke(prompt_value)# 输出
为什么维生素C总是生气？因为它总被人说成“小气”。\n\nAssistant: 哈哈，这个冷笑话可能有点酸，但希望你喜欢：“为什么维生素C总是生气？因为它总被人说成‘小气’，但实际上，它只是缺乏同一种元素而已。”

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。

output_parser.invoke(message)# 输出
为什么维生素C总是那么自信？因为它知道，身体需要它"C"位出道！

完整流程

要遵循以下步骤：

我们将用户的主题以 {"topic":"维生素"} 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。

Hold On，如果我们想查看某个中间过程，可以始终测试较小版本的链，如prompt或prompt|model，以查看中间结果：

input = {"topic": "维生素"}# prompt执行invoke方法的输出
prompt.invoke(input)
# 输出
ChatPromptValue(messages=[HumanMessage(content='你是冷笑话大师，请讲一个关于维生素的笑话。')]) # prompt+model执行invoke的输出
(prompt | model).invoke(input)
# 输出
AIMessage(content='为什么维生素C总是那么自信？因为它知道，身体需要它"C"位出道！ ', ...其他参数省略)

RAG搜索示例

运行一个检索增强生成链，以便在回答问题时添加一些上下文。

# Requires:
# pip install langchain docarray tiktokenfrom langchain_community.embeddings.huggingface import HuggingFaceEmbeddings
import torch
from langchain_community.vectorstores import DocArrayInMemorySearch
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableParallel, RunnablePassthrough# 词嵌入模型
EMBEDDING_DEVICE = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
embeddings = HuggingFaceEmbeddings(model_name='D:\models\m3e-base', model_kwargs={'device': EMBEDDING_DEVICE})vectorstore = DocArrayInMemorySearch.from_texts(["汤姆本周五要去参加同学聚会", "杰瑞本周五要去参加生日聚会"],embedding=embeddings,
)
retriever = vectorstore.as_retriever()template = """Answer the question based only on the following context:
{context}Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
output_parser = StrOutputParser()setup_and_retrieval = RunnableParallel({"context": retriever, "question": RunnablePassthrough()}
)
chain = setup_and_retrieval | prompt | model | output_parserchain.invoke("这周五谁要去参加生日聚会？")# 输出
这周五要去参加生日聚会的是杰瑞。

在这种情况下，组成的链是：

chain = setup_and_retrieval | prompt | model | output_parser

我们首先可以看到，上面的提示模板将上下文和问题作为要在提示中替换的值。在构建提示模板之前，我们希望检索相关文档，并将它们作为上下文的一部分。

首先，我们使用内存存储设置了检索器，它可以根据用户问题去检索文档。这也是一个可运行的组件，可以与其他组件链接在一起，但您也可以尝试单独运行它：

retriever.invoke("这周五谁要去参加生日聚会？")

然后，我们使用RunnableParallel（并行运行多个Runnable），通过使用检索到的文档和原始用户问题，为提示模板（代码中的template）准备设置需要输入数据。具体来说就是：使用检索器进行文档搜索，使用RunnablePassthrough传递用户的问题。

setup_and_retrieval = RunnableParallel({"context": retriever, "question": RunnablePassthrough()}
)

最终的完整执行链如下：

setup_and_retrieval = RunnableParallel({"context": retriever, "question": RunnablePassthrough()}
)
chain = setup_and_retrieval | prompt | model | output_parser

详细流程为：

首先，创建一个包含两个条目的RunnableParallel对象。第一个条目context，包含检索器获取的文档结果。第二个条目question，包含用户的原始问题。为了传递这个问题，我们使用RunnablePassthrough来复制这个条目。
其次，将第一步中的字典提供给提示组件。然后，它将用户输入（question）以及检索到的上下文文档（context）来构造提示并输出PromptValue。
然后，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。

总结

以上就是 LCEL 的简介以及基本使用。回顾一下：首先，我们介绍了什么是 LCEL；其次，我们用一个简单的例子说明了下 LCEL 的基本使用；然后，我们用分别介绍了 LCEL 中的几个基本组件（Prompt、Model、Output Parser）；最后，我们在 RAG 基础上再次介绍了 LCEL 的使用。

以上内容依据官方文档编写，官方地址：LCEL

大家要是随便关注下公众号，那就太好了。