作者
简要说明
LangChain 已成为最常用的 Python 库 互动 法学硕士 在不到一年的时间里，LangChain 主要是为 POCs 因为它缺乏创造 复杂和可扩展的应用程序.
2023 年 8 月，他们发布了 朗查表语言（LCEL）, 的新语法，弥补了 从 POC 到生产. .本文将引导您了解 LCEL 的来龙去脉，向您展示 LCEL 如何简化您的工作。 创建自定义链 以及如果您要建造房屋，为什么必须学习它 法律硕士申请!
提示、LLM 和链条，让我们温故而知新
在深入研究 LCEL 语法之前，我认为有必要温习一下 LangChain 的概念，如 LLM 和 Prompt，甚至是 Chain。.
法学硕士:在语言链中，llm 是对用于完成的模型的抽象，如 openai gpt3.5、laude 等...
提示:这是 LLM 对象的输入，它将提出 LLM 问题并给出其目标。.
链条:这是指调用 LLM 或任何 data 处理步骤的序列。.
既然定义都已经讲完了，我们不妨假设一下，我们想要创建一家公司！我们需要一个很酷、很响亮的名字和一个能赚钱的商业模式！
示例 - 公司名称和业务模式与旧链条
从 langchain.chains 导入 LLMChain
从 langchain.prompts 导入 PromptTemplate
从 langchain_community.llms 导入 OpenAI
USER_INPUT = "彩色袜子"
llm = OpenAI(temperature=0)
prompt_template_product = "一家制造 ?" 的公司的好名字是什么？"
company_name_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(prompt_template_product))
company_name_output = company_name_chain(USER_INPUT)
prompt_template_business = "请为我的公司提供最佳商业模式创意，公司名称为："
business_model_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(prompt_template_business))
business_model_output = business_model_chain(company_name_output["text"])
print(company_name_output)
print(business_model_output)
>>>
>>>
这很容易理解，我们可以看到一些冗余，但还是可以处理的。.
让我们添加一些自定义功能，处理用户未按预期使用我们的链的情况。.
也许用户会输入一些与我们的链目标完全无关的内容？在这种情况下，我们要检测到它并做出适当的反应。.
示例 - 使用旧链进行定制和路由选择
从 langchain.chains 导入 LLMChain
从 langchain.prompts 导入 PromptTemplate
从 langchain_community.llms 导入 OpenAI
导入 ast
USER_INPUT = "Harrison Chase"
llm = OpenAI(temperature=0)
# -- 代码同前
prompt_template_product = "一家制造 ?" 的公司的好名字是什么？"
company_name_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(prompt_template_product))
prompt_template_business = "请为我的公司提供最佳商业模式创意，公司名称为："
business_model_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(prompt_template_business))
# -- 新代码
prompt_template_is_product = (
"您的目标是找出用户输入的是否是一个可信的产品名称"
"问题、问候语、长句子、名人或其他非相关输入不视为产品n"
"输入：n"
"只回答'真'或'假'，仅此而已'
)
prompt_template_cannot_respond = (
"您无法响应用户输入：n"
"要求用户输入产品名称，以便您从中创建一家公司"。"
)
cannot_respond_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(prompt_template_cannot_respond))
company_name_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(prompt_template_product))
business_model_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(prompt_template_business))
is_a_product_chain = LLMChain(llm=llm, prompt=PromptTemplate.from_template(prompt_template_is_product))
# 如果我们在非空字符串上使用 bool，它将为 True，因此我们需要 `literal_eval`.
is_a_product = ast.literal_eval(is_a_product_chain(USER_INPUT)["text"])
如果 is_a_product：
company_name_output = company_name_chain(USER_INPUT)
business_model_output = business_model_chain(company_name_output["text"])
print(business_model_output)
否则
print(cannot_respond_chain(USER_INPUT))
这就有点难以理解了，让我们来总结一下：
开始出现多种问题：
什么是 LangChain Expression Language（LCEL）？
LCEL 是编写可组合生产就绪链的统一接口和语法，要理解它的含义有很多工作要做。.
首先，我们将重写之前的语法链，尝试理解新语法。.
示例：带有 LCEL 的公司名称和业务模式
from langchain_core.runnables import RunnablePassthrough
从 langchain.prompts 导入 PromptTemplate
从 langchain_community.llms 导入 OpenAI
USER_INPUT = "彩色袜子"
llm = OpenAI(temperature=0)
prompt_template_product = "一家制造 ?" 的公司的好名字是什么？"
prompt_template_business = "请为我的公司提供最佳商业模式创意，公司名称为："
链 = (
PromptTemplate.from_template(prompt_template_product)
| llm
|
| PromptTemplate.from_template(prompt_template_business)
| llm
)
business_model_output = chain.invoke()
短短几行代码，却包含了大量不同寻常的内容：
但是，这样创建链的可组合性真的更好吗？
让我们通过添加 is_a_product_chain() 和用户输入不正确时的分支来测试一下。我们甚至可以使用 Python Typing 来键入链，让我们来做个良好的练习。.
示例 - 使用 LCEL 进行定制和路由选择
from typing import Dict
from langchain_core.runnables import RunnablePassthrough, RunnableBranch
从 langchain.prompts 导入 PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain.output_parsers import BooleanOutputParser
从 langchain_community.llms 导入 OpenAI
USER_INPUT = "哈里森-切斯"
llm = OpenAI(temperature=0)
prompt_template_product = "一家制造 ?" 的公司的好名字是什么？"
prompt_template_cannot_respond = (
"您无法响应用户输入：n"
"要求用户输入产品名称，以便您从中创建一家公司"。"
)
prompt_template_business = "请为我的公司提供最佳商业模式创意，公司名称为："
prompt_template_is_product = (
"您的目标是找出用户输入的是否是一个可信的产品名称"
"问题、问候语、长句子、名人或其他非相关输入不视为产品n"
"输入：n"
"只回答'真'或'假'，仅此而已'
)
答案用户链 = (
PromptTemplate.from_template(prompt_template_product)
| llm
|
| PromptTemplate.from_template(prompt_template_business)
| llm
).with_types(input_type=Dict[str, str], output_type=str)
is_product_chain = (
PromptTemplate.from_template(prompt_template_is_product)
| llm
| BooleanOutputParser(true_val='True', false_val='False')
).with_types(input_type=Dict[str, str], output_type=bool)
cannot_respond_chain = (
PromptTemplate.from_template(prompt_template_cannot_respond) | llm
).with_types(input_type=Dict[str, str], output_type=str)
full_chain = RunnableBranch(
(is_product_chain, answer_user_chain）、,
无法响应链
).with_types(input_type=Dict[str, str], output_type=str)
print(full_chain.invoke())
让我们列举一下它们的不同之处：
为什么 LCEL 更有利于工业化？
如果我在读这篇文章的时候，有人问我是否相信 LCEL，我可能会说不相信。语法太不一样了，我也许可以把我的代码组织成函数，得到几乎一模一样的代码。但我在这里写了这篇文章，所以肯定还有别的东西。.
开箱即用的调用、流和批处理功能
通过使用 LCEL，您的链条将自动拥有
my_chain = prompt | llm
# ---invoke--- #
result_with_invoke = my_chain.invoke(“hello world!”)
# ---batch--- #
result_with_batch = my_chain.batch([“hello”, “world”, “!”])
# --stream--- #
for chunk in my_chain.stream(“hello world!”)：
print(chunk, flush=True, end=””)
迭代时，可以使用 invoke 方法来简化开发过程。但是，当在用户界面中显示链的输出时，您希望使用流式响应。现在，您可以使用流方法，而无需重写任何内容。.
开箱即用的异步方法
大多数情况下，应用程序的前台和后台是分开的，这意味着前台会向后台发出请求。如果有多个用户，您可能需要同时在后台处理多个请求。.
由于 LangChain 中的大部分代码只是在 API 调用之间等待，因此我们可以利用异步代码来提高 API 的可扩展性。 FastAPI 文档的并发汉堡故事.
无需担心实现问题，因为如果使用 LCEL，异步方法已经可用：
.ainvoke() / .abatch() / .astream：invoke、batch 和 stream 的异步版本。.
我还建议阅读 为什么使用 LangChain 文档中的 LCEL 页面 并附有每种同步/异步方法的示例。.
Langchain 通过创建一个名为 “Langchain ”的统一界面，实现了这些 "开箱即用 "的功能。 “可运行”. .现在，为了充分利用 LCEL，我们需要深入了解这个新的 Runnable 接口。.
Runnable 界面
到目前为止，我们在 LCEL 语法中使用的每个对象都是 Runnables。它是由 LangChain 创建的 python 对象，该对象自动继承了我们之前提到的所有功能，还有更多。通过使用 LCEL 语法，我们每一步都会组成一个新的 Runnable，这意味着最终创建的对象也将是一个 Runnable。. 有关界面的更多信息，请参阅官方文档.
下面代码中的所有对象要么是 Runnable，要么是自动转换为 Runnable 的字典：
from langchain_core.runnables import RunnablePassthrough, RunnableParallel
从 langchain.prompts 导入 PromptTemplate
从 langchain_community.llms 导入 OpenAI
链号一 = (
PromptTemplate.from_template(prompt_template_product)
| llm
| # <- 这将会改变
| PromptTemplate.from_template(prompt_template_business)
| llm
)
链号二 = (
PromptTemplate.from_template(prompt_template_product)
| llm
| RunnableParallel(company=RunnablePassthrough()) # <- 已更改
| PromptTemplate.from_template(prompt_template_business)
| llm
)
print(chain_number_one == chain_number_two)
>>> true
为什么要使用 RunnableParallel()，而不是简单的 Runnable()？
因为，RunnableParallel 中的每个 Runnable 都是并行执行的。这意味着，如果您的 Runnable 中有 3 个独立的步骤，它们将同时在机器的不同线程上运行，从而免费提高链的速度！
LCEL 的缺点
尽管 LCEL 有其优点，但也有一些潜在的缺点：
结论
总之，LangChain Expression Language（LCEL）是一款功能强大的工具，为构建 Python 应用程序带来了全新的视角。尽管它的语法非常规，但我仍强烈推荐使用 LCEL，原因如下：
更进一步...
可运行抽象
在某些情况下，我认为了解 LangChain 为使 LCEL 语法正常工作而实施的抽象方法非常重要。.
您可以通过以下方式轻松重新实现 Runnable 的基本功能：
类 Runnable：
def __init__(self, func)：
self.func = func
def __or__(self, other)：
def chained_func(*args, **kwargs)：
# self.func 在左边，其他在右边
return other(self.func(*args, **kwargs))
return Runnable(chained_func)
def __call__(self, *args, **kwargs)：
return self.func(*args, **kwargs)
def add_ten(x)：
返回 x + 10
def div_by_two(x)：
返回 x / 2
runnable_add_ten = Runnable(add_ten)
runnable_divide_by_two = Runnable(divide_by_two)
chain = runnable_add_ten | runnable_divide_by_two
结果 = chain(8) # (8+10) / 2 = 9.0 应该是答案
print(result)
>>> 9.0
Runnable 只是一个被 .__or__() 方法覆盖的 python 对象。.
在实践中，LangChain 增加了许多功能，例如将字典转换为 Runnable、类型功能、可配置性功能以及 invoke、批处理、流和异步方法！
那么，为什么不在下一个项目中试试 LCEL 呢？
如果您想了解更多信息，我强烈推荐您浏览 LCEL上的LangChain食谱.
