![[智能体-187]：LCEL（LangChain Expression Language）完整详解](images/news1.jpg)
LCEL 全称LangChain Expression Language是 LangChain 推出的组件编排表达式语法依托 Python 原生语法 Runnable统一协议用|管道符串联组件是目前官方主推的链路构建方案替代传统LLMChain。本文从设计理念、底层原理、核心语法、常用组件、实战用法、特性、新旧对比、最佳实践全面讲解。一、基础认知1. 核心定位LCEL不是独立编程语言而是一套基于 Python 的语法规范 组件的组合范式。目标用极简、可读的表达式搭建大模型应用工作流核心符号管道符|表达「数据从左向右流转」底层底座所有组件都实现Runnable协议统一调用、串联规则。2. 设计目标代码即流程图A | B | C直观体现数据流向可读性极强统一执行模型同步调用、流式输出、批量推理复用同一条链路低侵入扩展普通函数、第三方逻辑可轻松接入原生可观测天然支持 LangSmith链路追踪、回调、日志、异常捕获灵活组合支持串行、并行、分支、嵌套、条件路由等复杂流程。3. 适用场景问答、文本处理、信息抽取、结构化输出、Agent 工具调用、复杂业务工作流等几乎所有 LangChain 应用场景。二、底层核心原理1. 两大技术基石1Runnable统一协议LCEL 所有可串联组件Prompt、LLM、解析器、工具、自定义逻辑都继承自Runnable基类强制实现三套标准执行方法方法作用invoke(input)单次同步调用返回完整结果stream(input)流式逐块返回对话打字机效果batch(inputs)批量处理一组输入所有组件对外接口完全一致所以能自由拼接。2Python 运算符重载Python 原生a | b本意是按位或 / 集合并集LangChain 重写了Runnable的魔法方法__or__python运行# 语法 组件A | 组件B # 底层等价调用 组件A.__or__(组件B)执行逻辑生成一个新的组合RunnableRunnableSequence串行链运行时左组件输出 → 右组件输入自动完成数据流转。2. 数据流转规则核心约定LCEL 定义了通用数据流转格式保证组件无缝拼接标准输入Python 字典dict键对应模板变量Prompt 接收字典 → 渲染为消息列表LLM 接收消息列表 → 输出消息对象解析器接收消息对象→ 转为字符串 / 字典 / 自定义对象自定义组件按需转换格式。格式不兼容时使用RunnablePassthrough/RunnableLambda/RunnableMap做适配。三、LCEL 基础语法与书写规范1. 基础串行语法最常用python运行组件1 | 组件2 | 组件3 | ...执行顺序从左到右上一个输出作为下一个输入。标准通用链路模板python运行# 提示词 → 大模型 → 输出解析器 chain prompt | llm | parser2. 换行书写规范链路较长时用括号包裹实现换行不影响语法python运行chain ( prompt | llm | StrOutputParser() )3. 调用执行语法三条统一入口链路写法完全不变python运行# 1. 单次调用 result chain.invoke(输入字典) # 2. 流式输出 for chunk in chain.stream(输入字典): print(chunk, end) # 3. 批量调用 results chain.batch([字典1, 字典2, ...])四、LCEL 核心内置组件分类按功能划分覆盖绝大多数开发场景附作用与示例。环境依赖与公共导入bash运行pip install langchain langchain-openaipython运行from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate, PromptTemplate from langchain_core.output_parsers import ( StrOutputParser, JsonOutputParser, PydanticOutputParser ) from langchain_core.runnables import ( RunnableLambda, # 包装普通函数 RunnablePassthrough, # 字段透传、赋值 RunnableMap # 并行分支 ) from pydantic import BaseModel, Field llm ChatOpenAI(modelgpt-3.5-turbo, temperature0)类别 1提示词组件RunnablePromptTemplate/ChatPromptTemplate作用接收字典变量渲染成模型可识别的提示词 / 消息列表是链路起点。示例python运行prompt ChatPromptTemplate.from_messages([ (system, 你是专业助手), (user, 问题{question}) ])类别 2大模型组件RunnableChatOpenAI/ 各类 LLM 封装作用接收提示词 / 消息调用模型生成回复位于链路中间。类别 3输出解析器Runnable统一将模型消息对象转为业务可用数据实现结构化输出。StrOutputParser转为普通字符串最常用JsonOutputParser转为 Python 字典JSON 结构化PydanticOutputParser强类型对象企业级严格约束示例python运行# 基础字符串解析 chain prompt | llm | StrOutputParser() # JSON 解析 chain prompt | llm | JsonOutputParser()类别 4Runnable 工具组件链路数据控制核心1.RunnableLambda包装普通 Python 函数普通函数不是Runnable无法直接用|串联通过它完成适配。python运行# 自定义函数 def handle_text(text: str) - str: return 【结果】 text # 包装为 Runnable func_run RunnableLambda(handle_text) # 接入管道 chain prompt | llm | StrOutputParser() | func_run2.RunnablePassthrough字段透传 动态赋值两大核心用法原样透传保留原始输入字段.assign()基于原有字段新增计算字段。python运行prompt ChatPromptTemplate.from_template(总结内容{content}) # 透传原文 新增总结字段 chain ( RunnablePassthrough.assign( summary prompt | llm | StrOutputParser() ) ) res chain.invoke({content: LCEL 是 LangChain 管道语法}) # 同时包含 content、summary 两个字段 print(res)3.RunnableMap并行分支执行将同一个输入分发到多个子链路并行执行最后汇总所有结果适合多任务同时处理。python运行# 子链路1总结 chain_sum prompt | llm | StrOutputParser() # 子链路2关键词 prompt_kw ChatPromptTemplate.from_template(提取关键词{content}) chain_kw prompt_kw | llm | StrOutputParser() # 并行组合 parallel_chain RunnableMap({ 原文: RunnablePassthrough(), 总结: chain_sum, 关键词: chain_kw }) res parallel_chain.invoke({content: 大模型应用开发}) print(res)五、LCEL 典型实战链路示例示例 1标准问答链路最基础python运行prompt ChatPromptTemplate.from_messages([ (user, 请回答{q}) ]) # LCEL 管道 chain prompt | llm | StrOutputParser() res chain.invoke({q: 什么是 LCEL}) print(res)示例 2JSON 结构化输出链路python运行prompt PromptTemplate( input_variables[info], template解析信息只返回 JSON字段name, age \n 内容{info} ) chain prompt | llm | JsonOutputParser() data chain.invoke({info: 小王24岁}) print(type(data), data[name])示例 3嵌套组合透传 自定义函数python运行def upper_str(s): return s.upper() run_upper RunnableLambda(upper_str) chain ( RunnablePassthrough() | ChatPromptTemplate.from_template(简述{topic}) | llm | StrOutputParser() | run_upper ) res chain.invoke({topic: Python 运算符重载}) print(res)示例 4流式输出链路链路写法不变仅调用streampython运行chain prompt | llm | StrOutputParser() for chunk in chain.stream({q: 详细介绍 LangChain}): print(chunk, end, flushTrue)六、LCEL 高级能力1. 链路复用与组合已定义的 chain 本身也是Runnable可以继续拼接、嵌套python运行# 基础链 base_chain prompt | llm | StrOutputParser() # 在基础链后继续追加逻辑 full_chain base_chain | RunnableLambda(lambda x: f最终答案{x})2. 参数绑定bind()提前为组件绑定固定参数运行时无需重复传入python运行# 绑定温度、模型等参数 fixed_llm llm.bind(temperature0.2) chain prompt | fixed_llm | StrOutputParser()3. 配置与回调with_config()附加追踪、回调、超时、标签对接 LangSmith 监控python运行chain prompt | llm | StrOutputParser() # 添加链路名称、标签 chain_with_config chain.with_config( run_name问答链路, tags[demo, lcel] ) chain_with_config.invoke({q: 测试})4. 条件分支结合 Python 流程控制LCEL 本身不内置if但可和 Python 原生流程控制结合实现分支路由python运行input_data {type: 总结, content: 测试文本} # 定义两条分支 chain_sum prompt | llm | StrOutputParser() chain_kw prompt_kw | llm | StrOutputParser() # 原生 if 做分支选择 if input_data[type] 总结: select_chain chain_sum else: select_chain chain_kw select_chain.invoke(input_data)七、LCEL vs 传统 LLMChain 对比对比维度传统 LLMChainLCEL 管道语法风格面向对象实例化代码偏冗长表达式风格 串联简洁直观多步组合需手动取值、传参嵌套繁琐直接链式拼接自动流转数据流式输出支持差需额外改造原生stream完美支持批量执行手动循环原生batch方法并行能力无原生支持RunnableMap原生并行自定义函数侵入性强需继承类RunnableLambda轻量包装可观测性弱调试困难原生对接 LangSmith全链路追踪维护成本复杂链路难以维护线性结构易拆解、迭代官方态度兼容旧项目不再主推官方标准新项目首选八、LCEL 核心优缺点优点语法极简代码和业务流向高度一致上手快统一运行模式同步 / 流式 / 批量一套链路复用组合能力极强串行、并行、嵌套、分支灵活搭建工程化完善监控、回调、异常、日志原生支持生态统一LangChain 所有组件、Agent、工具全面兼容。缺点依赖 Python 运算符重载新手需要理解Runnable底层逻辑超复杂分支 / 循环场景单纯表达式可读性下降需配合Python 原生流程控制老旧项目仍大量使用LLMChain历史代码迁移需要适配。九、适用场景与最佳实践✅ 推荐使用 LCEL新项目、快速原型开发需要流式对话、前端交互的应用多组件串联、包含自定义函数 / 数据处理的链路线上生产项目需要监控、追踪、运维信息抽取、结构化输出、Agent 工具调用。❌ 极简场景可简化仅单次调用 LLM、无后续处理直接使用llm.invoke()无需构建管道。最佳实践标准链路统一格式prompt | llm | parser长链路用括号换行提升可读性自定义函数统一使用RunnableLambda包装多字段、数据保留场景优先使用RunnablePassthrough并行任务使用RunnableMap不手动拼接多链线上项目务必配合with_config打标签对接 LangSmith 排查问题。十、总结核心考点速记本质LCEL 是 LangChain 基于Runnable协议 Python 运算符重载实现的组件编排表达式核心符号|管道符代表数据从左向右流转三大执行方法invoke单次、stream流式、batch批量核心辅助组件RunnableLambda接入普通函数RunnablePassthrough字段透传、新增字段RunnableMap并行分支定位LangChain 新一代标准开发范式替代传统LLMChain是大模型工程化落地的核心语法。
[智能体-187]：LCEL（LangChain Expression Language）完整详解
LCEL 全称LangChain Expression Language是 LangChain 推出的组件编排表达式语法依托 Python 原生语法 Runnable统一协议用|管道符串联组件是目前官方主推的链路构建方案替代传统LLMChain。本文从设计理念、底层原理、核心语法、常用组件、实战用法、特性、新旧对比、最佳实践全面讲解。一、基础认知1. 核心定位LCEL不是独立编程语言而是一套基于 Python 的语法规范 组件的组合范式。目标用极简、可读的表达式搭建大模型应用工作流核心符号管道符|表达「数据从左向右流转」底层底座所有组件都实现Runnable协议统一调用、串联规则。2. 设计目标代码即流程图A | B | C直观体现数据流向可读性极强统一执行模型同步调用、流式输出、批量推理复用同一条链路低侵入扩展普通函数、第三方逻辑可轻松接入原生可观测天然支持 LangSmith链路追踪、回调、日志、异常捕获灵活组合支持串行、并行、分支、嵌套、条件路由等复杂流程。3. 适用场景问答、文本处理、信息抽取、结构化输出、Agent 工具调用、复杂业务工作流等几乎所有 LangChain 应用场景。二、底层核心原理1. 两大技术基石1Runnable统一协议LCEL 所有可串联组件Prompt、LLM、解析器、工具、自定义逻辑都继承自Runnable基类强制实现三套标准执行方法方法作用invoke(input)单次同步调用返回完整结果stream(input)流式逐块返回对话打字机效果batch(inputs)批量处理一组输入所有组件对外接口完全一致所以能自由拼接。2Python 运算符重载Python 原生a | b本意是按位或 / 集合并集LangChain 重写了Runnable的魔法方法__or__python运行# 语法 组件A | 组件B # 底层等价调用 组件A.__or__(组件B)执行逻辑生成一个新的组合RunnableRunnableSequence串行链运行时左组件输出 → 右组件输入自动完成数据流转。2. 数据流转规则核心约定LCEL 定义了通用数据流转格式保证组件无缝拼接标准输入Python 字典dict键对应模板变量Prompt 接收字典 → 渲染为消息列表LLM 接收消息列表 → 输出消息对象解析器接收消息对象→ 转为字符串 / 字典 / 自定义对象自定义组件按需转换格式。格式不兼容时使用RunnablePassthrough/RunnableLambda/RunnableMap做适配。三、LCEL 基础语法与书写规范1. 基础串行语法最常用python运行组件1 | 组件2 | 组件3 | ...执行顺序从左到右上一个输出作为下一个输入。标准通用链路模板python运行# 提示词 → 大模型 → 输出解析器 chain prompt | llm | parser2. 换行书写规范链路较长时用括号包裹实现换行不影响语法python运行chain ( prompt | llm | StrOutputParser() )3. 调用执行语法三条统一入口链路写法完全不变python运行# 1. 单次调用 result chain.invoke(输入字典) # 2. 流式输出 for chunk in chain.stream(输入字典): print(chunk, end) # 3. 批量调用 results chain.batch([字典1, 字典2, ...])四、LCEL 核心内置组件分类按功能划分覆盖绝大多数开发场景附作用与示例。环境依赖与公共导入bash运行pip install langchain langchain-openaipython运行from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate, PromptTemplate from langchain_core.output_parsers import ( StrOutputParser, JsonOutputParser, PydanticOutputParser ) from langchain_core.runnables import ( RunnableLambda, # 包装普通函数 RunnablePassthrough, # 字段透传、赋值 RunnableMap # 并行分支 ) from pydantic import BaseModel, Field llm ChatOpenAI(modelgpt-3.5-turbo, temperature0)类别 1提示词组件RunnablePromptTemplate/ChatPromptTemplate作用接收字典变量渲染成模型可识别的提示词 / 消息列表是链路起点。示例python运行prompt ChatPromptTemplate.from_messages([ (system, 你是专业助手), (user, 问题{question}) ])类别 2大模型组件RunnableChatOpenAI/ 各类 LLM 封装作用接收提示词 / 消息调用模型生成回复位于链路中间。类别 3输出解析器Runnable统一将模型消息对象转为业务可用数据实现结构化输出。StrOutputParser转为普通字符串最常用JsonOutputParser转为 Python 字典JSON 结构化PydanticOutputParser强类型对象企业级严格约束示例python运行# 基础字符串解析 chain prompt | llm | StrOutputParser() # JSON 解析 chain prompt | llm | JsonOutputParser()类别 4Runnable 工具组件链路数据控制核心1.RunnableLambda包装普通 Python 函数普通函数不是Runnable无法直接用|串联通过它完成适配。python运行# 自定义函数 def handle_text(text: str) - str: return 【结果】 text # 包装为 Runnable func_run RunnableLambda(handle_text) # 接入管道 chain prompt | llm | StrOutputParser() | func_run2.RunnablePassthrough字段透传 动态赋值两大核心用法原样透传保留原始输入字段.assign()基于原有字段新增计算字段。python运行prompt ChatPromptTemplate.from_template(总结内容{content}) # 透传原文 新增总结字段 chain ( RunnablePassthrough.assign( summary prompt | llm | StrOutputParser() ) ) res chain.invoke({content: LCEL 是 LangChain 管道语法}) # 同时包含 content、summary 两个字段 print(res)3.RunnableMap并行分支执行将同一个输入分发到多个子链路并行执行最后汇总所有结果适合多任务同时处理。python运行# 子链路1总结 chain_sum prompt | llm | StrOutputParser() # 子链路2关键词 prompt_kw ChatPromptTemplate.from_template(提取关键词{content}) chain_kw prompt_kw | llm | StrOutputParser() # 并行组合 parallel_chain RunnableMap({ 原文: RunnablePassthrough(), 总结: chain_sum, 关键词: chain_kw }) res parallel_chain.invoke({content: 大模型应用开发}) print(res)五、LCEL 典型实战链路示例示例 1标准问答链路最基础python运行prompt ChatPromptTemplate.from_messages([ (user, 请回答{q}) ]) # LCEL 管道 chain prompt | llm | StrOutputParser() res chain.invoke({q: 什么是 LCEL}) print(res)示例 2JSON 结构化输出链路python运行prompt PromptTemplate( input_variables[info], template解析信息只返回 JSON字段name, age \n 内容{info} ) chain prompt | llm | JsonOutputParser() data chain.invoke({info: 小王24岁}) print(type(data), data[name])示例 3嵌套组合透传 自定义函数python运行def upper_str(s): return s.upper() run_upper RunnableLambda(upper_str) chain ( RunnablePassthrough() | ChatPromptTemplate.from_template(简述{topic}) | llm | StrOutputParser() | run_upper ) res chain.invoke({topic: Python 运算符重载}) print(res)示例 4流式输出链路链路写法不变仅调用streampython运行chain prompt | llm | StrOutputParser() for chunk in chain.stream({q: 详细介绍 LangChain}): print(chunk, end, flushTrue)六、LCEL 高级能力1. 链路复用与组合已定义的 chain 本身也是Runnable可以继续拼接、嵌套python运行# 基础链 base_chain prompt | llm | StrOutputParser() # 在基础链后继续追加逻辑 full_chain base_chain | RunnableLambda(lambda x: f最终答案{x})2. 参数绑定bind()提前为组件绑定固定参数运行时无需重复传入python运行# 绑定温度、模型等参数 fixed_llm llm.bind(temperature0.2) chain prompt | fixed_llm | StrOutputParser()3. 配置与回调with_config()附加追踪、回调、超时、标签对接 LangSmith 监控python运行chain prompt | llm | StrOutputParser() # 添加链路名称、标签 chain_with_config chain.with_config( run_name问答链路, tags[demo, lcel] ) chain_with_config.invoke({q: 测试})4. 条件分支结合 Python 流程控制LCEL 本身不内置if但可和 Python 原生流程控制结合实现分支路由python运行input_data {type: 总结, content: 测试文本} # 定义两条分支 chain_sum prompt | llm | StrOutputParser() chain_kw prompt_kw | llm | StrOutputParser() # 原生 if 做分支选择 if input_data[type] 总结: select_chain chain_sum else: select_chain chain_kw select_chain.invoke(input_data)七、LCEL vs 传统 LLMChain 对比对比维度传统 LLMChainLCEL 管道语法风格面向对象实例化代码偏冗长表达式风格 串联简洁直观多步组合需手动取值、传参嵌套繁琐直接链式拼接自动流转数据流式输出支持差需额外改造原生stream完美支持批量执行手动循环原生batch方法并行能力无原生支持RunnableMap原生并行自定义函数侵入性强需继承类RunnableLambda轻量包装可观测性弱调试困难原生对接 LangSmith全链路追踪维护成本复杂链路难以维护线性结构易拆解、迭代官方态度兼容旧项目不再主推官方标准新项目首选八、LCEL 核心优缺点优点语法极简代码和业务流向高度一致上手快统一运行模式同步 / 流式 / 批量一套链路复用组合能力极强串行、并行、嵌套、分支灵活搭建工程化完善监控、回调、异常、日志原生支持生态统一LangChain 所有组件、Agent、工具全面兼容。缺点依赖 Python 运算符重载新手需要理解Runnable底层逻辑超复杂分支 / 循环场景单纯表达式可读性下降需配合Python 原生流程控制老旧项目仍大量使用LLMChain历史代码迁移需要适配。九、适用场景与最佳实践✅ 推荐使用 LCEL新项目、快速原型开发需要流式对话、前端交互的应用多组件串联、包含自定义函数 / 数据处理的链路线上生产项目需要监控、追踪、运维信息抽取、结构化输出、Agent 工具调用。❌ 极简场景可简化仅单次调用 LLM、无后续处理直接使用llm.invoke()无需构建管道。最佳实践标准链路统一格式prompt | llm | parser长链路用括号换行提升可读性自定义函数统一使用RunnableLambda包装多字段、数据保留场景优先使用RunnablePassthrough并行任务使用RunnableMap不手动拼接多链线上项目务必配合with_config打标签对接 LangSmith 排查问题。十、总结核心考点速记本质LCEL 是 LangChain 基于Runnable协议 Python 运算符重载实现的组件编排表达式核心符号|管道符代表数据从左向右流转三大执行方法invoke单次、stream流式、batch批量核心辅助组件RunnableLambda接入普通函数RunnablePassthrough字段透传、新增字段RunnableMap并行分支定位LangChain 新一代标准开发范式替代传统LLMChain是大模型工程化落地的核心语法。
