![[智能体-215]：LCEL与传统预定义 Chain 构建智能体应用的全面对比](images/news1.jpg)
基于 LangChain 官方最新架构与工程实践结合之前掌握的 组合电路 / 时序电路、DAG / 有环图 认知框架从核心本质、架构理念、开发体验、能力边界、工程化等维度进行系统性对比帮助你在实际项目中做出正确选型。一、核心本质差异这是所有区别的根源决定了两者的设计哲学和能力上限表格维度传统预定义 ChainLCELLangChain Expression Language设计定位预封装的黑盒组件库提供开箱即用的固定功能模块声明式的组合语言提供原子化的可组合单元让开发者自由构建任意拓扑核心思想组件即应用一个 Chain 就是一个完整的应用用户只能配置参数不能修改内部流程组合即应用所有能力拆分为标准Runnable接口通过管道符和并行原语自由拼接对应电路范式固定功能的集成电路芯片如加法器、编码器通用的可编程逻辑门阵列FPGA拓扑结构预定义的固定 DAG流程硬编码在类内部开发者自定义的任意 DAG支持所有串并联组合二、核心能力对比1. 灵活性与可定制性这是 LCEL 相比传统 Chain 最显著的优势传统预定义 Chain流程固定所有执行步骤和顺序都硬编码在 Chain 类的_call方法中用户无法修改扩展困难只能通过继承重写方法来扩展代码复杂且容易出错黑盒特性内部逻辑不透明无法插入自定义步骤示例限制RetrievalQA只能是 检索→生成 两步无法在中间插入重排序、上下文压缩或结果过滤步骤LCEL完全可编程可以自由组合串行、并行、分支、嵌套等任意拓扑结构流程自定义可以在任意位置插入自定义逻辑修改执行顺序白盒特性所有步骤都是显式的开发者完全掌控执行流程示例优势实现 RAG 可以是 并行多检索→结果合并→重排序→上下文压缩→提示词→LLM→结果格式化 的复杂流程2. 可组合性传统预定义 Chain组合繁琐需要使用SequentialChain、TransformChain等专门的组合类变量映射复杂必须手动指定每个子链的输入输出变量映射容易出错类型不统一不同 Chain 的输入输出格式不一致需要大量转换代码嵌套困难多层嵌套需要层层包装代码可读性差LCEL统一接口所有组件LLM、提示词、检索器、工具、子链都实现了Runnable接口极简语法用|管道符实现串行用RunnableMap实现并行语法直观自动变量对齐输入输出自动传递无需手动映射无限嵌套子链和原子节点没有区别可以任意嵌套组合3. 调试与可观测性传统预定义 Chain黑盒调试只能通过设置verboseTrue查看简单日志无法定位具体步骤的错误无法分步执行不能单独执行某个中间步骤查看中间结果LangSmith 集成有限只能看到整个 Chain 的输入输出看不到内部每个步骤的详细信息LCEL分步调试可以单独调用任意一个Runnable节点查看其输入输出可视化追踪与 LangSmith 深度集成每个步骤的输入输出、耗时、错误、token 用量都能可视化断点支持可以在任意节点设置断点暂停执行查看状态错误定位精准异常信息会明确指出是哪个节点出错以及出错时的输入数据4. 性能与并发传统预定义 Chain串行执行所有步骤默认串行执行并行需要自己用多线程 / 多进程实现流式支持差很多传统 Chain 不支持流式输出或者支持得很有限批处理能力弱没有原生的批处理支持需要自己实现LCEL原生并行RunnableMap中的多个分支会自动并发执行无需手动管理线程全链路流式支持从 LLM 到最终输出的全链路流式传输原生批处理所有Runnable都支持batch()方法可以批量处理多个输入异步支持原生支持异步调用性能更高5. 状态管理与记忆传统预定义 Chain记忆注入式通过memory参数将记忆对象注入 Chain 中记忆类型固定只能使用预定义的记忆类型如ConversationBufferMemory记忆管理不灵活无法自定义记忆的过滤、截断、持久化逻辑全局记忆整个 Chain 共享一个记忆对象无法实现局部记忆LCEL记忆包装式使用RunnableWithMessageHistory包装任意Runnable来添加记忆完全自定义可以自定义记忆的存储、加载、过滤、序列化逻辑局部记忆可以为不同的子链添加不同的记忆对象多会话支持原生支持多会话隔离通过session_id区分不同用户的记忆6. 工具调用能力传统预定义 Chain工具与 Chain 绑定每个工具对应一个专门的 Chain如LLMMathChain、SQLDatabaseChain多工具组合困难很难将多个工具组合在一起使用工具调用逻辑固定工具调用的流程是预定义的无法修改不支持并行工具调用只能串行调用多个工具LCEL通用工具绑定使用bind_tools()方法将任意工具绑定到 LLM 上自由组合工具可以任意组合多个工具实现复杂的工具调用流程自定义工具调用逻辑可以完全控制工具调用的解析、执行、结果处理流程原生支持并行工具调用可以同时调用多个工具提高效率7. 智能体构建能力传统预定义 Chain预定义智能体类型只能使用官方提供的几种智能体类型如ZeroShotAgent、ReActAgent智能体流程固定思考→行动→观察→思考的循环是硬编码的无法修改无法添加自定义步骤不能在智能体循环中插入反思、错误处理、规划等步骤能力上限低只能实现简单的单轮工具调用无法构建复杂的多智能体系统LCEL完全自定义智能体可以自由定义智能体的循环流程和逻辑灵活的步骤组合可以添加规划、反思、错误处理、人类介入等任意步骤多智能体支持可以轻松构建多智能体协作系统与 LangGraph 无缝集成LCEL 节点可以直接作为 LangGraph 的节点实现有循环、有状态的复杂智能体三、工程化支持对比表格特性传统预定义 ChainLCEL重试机制需要自己实现装饰器原生支持with_retry()方法超时控制需要自己实现原生支持with_timeout()方法回调系统支持但不够灵活支持更丰富的回调类型可在任意节点添加输入输出验证无原生支持原生支持 Pydantic 模型验证序列化与持久化支持有限很多 Chain 无法序列化所有Runnable都支持序列化部署支持部署复杂需要专门的包装可以直接部署为 LangServe 端点官方维护状态逐步弃用不再添加新功能官方核心所有新功能优先支持四、代码示例对比示例实现一个简单的 RAG 应用传统预定义 Chain 写法python运行from langchain.chains import RetrievalQA from langchain_openai import ChatOpenAI from langchain_community.vectorstores import FAISS from langchain_openai import OpenAIEmbeddings # 初始化组件 llm ChatOpenAI(temperature0) embeddings OpenAIEmbeddings() db FAISS.load_local(faiss_index, embeddings, allow_dangerous_deserializationTrue) retriever db.as_retriever() # 构建 RAG 链流程固定检索→生成 qa_chain RetrievalQA.from_chain_type( llmllm, chain_typestuff, retrieverretriever, return_source_documentsTrue ) # 调用 result qa_chain.invoke({query: 什么是 LCEL})LCEL 写法可自定义流程python运行from langchain_core.runnables import RunnablePassthrough, RunnableLambda from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain_community.vectorstores import FAISS from langchain_openai import OpenAIEmbeddings # 初始化组件 llm ChatOpenAI(temperature0) embeddings OpenAIEmbeddings() db FAISS.load_local(faiss_index, embeddings, allow_dangerous_deserializationTrue) retriever db.as_retriever() # 自定义提示词 prompt ChatPromptTemplate.from_template( 根据以下上下文回答问题 上下文{context} 问题{question} ) # 自定义 RAG 流程可任意扩展 def format_docs(docs): return \n\n.join(doc.page_content for doc in docs) rag_chain ( {context: retriever | format_docs, question: RunnablePassthrough()} | prompt | llm ) # 调用 result rag_chain.invoke(什么是 LCEL)扩展在 LCEL 中添加重排序步骤python运行from langchain_community.document_compressors import LLMChainExtractor # 添加上下文压缩步骤 compressor LLMChainExtractor.from_llm(llm) rag_chain_with_compression ( {context: retriever | compressor | format_docs, question: RunnablePassthrough()} | prompt | llm )这在传统RetrievalQA中需要重写整个_call方法才能实现。五、选型建议优先使用传统预定义 Chain 的情况快速原型开发需要在几分钟内搭建一个简单的应用需求非常简单完全匹配某个预定义 Chain 的功能不需要自定义流程只需要修改参数维护旧项目暂时不需要迁移强烈推荐使用 LCEL 的情况所有新开发的项目需要自定义流程或扩展功能的应用对性能、并发、流式输出有要求的应用需要良好调试和可观测性的生产级应用需要组合多个工具或多个链的复杂应用需要使用 LangGraph 的情况需要循环、迭代、重试的任务需要状态记忆和反馈回路的智能体需要自主回退和纠错的复杂任务多智能体协作系统六、迁移指南官方提供了完整的从传统 Chain 迁移到 LCEL 的指南以下是常见传统 Chain 的 LCEL 等价写法表格传统 ChainLCEL 等价写法LLMChainpromptllmSimpleSequentialChainchain1chain2SequentialChain手动映射变量后用 串联RetrievalQA{context: retriever, question: RunnablePassthrough()}promptllmConversationChainRunnableWithMessageHistory(promptllm)七、最终总结传统预定义 Chain 是 LangChain 早期为了降低入门门槛而设计的黑盒组件它们提供了开箱即用的功能但灵活性和可扩展性非常有限。而 LCEL 是 LangChain 架构的一次根本性重构它将所有能力拆分为标准的Runnable接口通过极简的语法让开发者可以自由组合出任意复杂的拓扑结构。从本质上讲传统 Chain 是 给你一个做好的蛋糕你只能选择口味而 LCEL 是 给你面粉、鸡蛋、奶油和烤箱你可以做出任何你想要的甜点。对于现在的开发者来说LCEL 应该是构建所有 LangChain 应用的首选传统预定义 Chain 只应该用于快速原型和旧项目维护。而当你的应用需要循环、状态和自主决策能力时再在 LCEL 的基础上引入 LangGraph形成 LCEL 做节点LangGraph 做编排 的最佳实践。
[智能体-215]：LCEL与传统预定义 Chain 构建智能体应用的全面对比
基于 LangChain 官方最新架构与工程实践结合之前掌握的 组合电路 / 时序电路、DAG / 有环图 认知框架从核心本质、架构理念、开发体验、能力边界、工程化等维度进行系统性对比帮助你在实际项目中做出正确选型。一、核心本质差异这是所有区别的根源决定了两者的设计哲学和能力上限表格维度传统预定义 ChainLCELLangChain Expression Language设计定位预封装的黑盒组件库提供开箱即用的固定功能模块声明式的组合语言提供原子化的可组合单元让开发者自由构建任意拓扑核心思想组件即应用一个 Chain 就是一个完整的应用用户只能配置参数不能修改内部流程组合即应用所有能力拆分为标准Runnable接口通过管道符和并行原语自由拼接对应电路范式固定功能的集成电路芯片如加法器、编码器通用的可编程逻辑门阵列FPGA拓扑结构预定义的固定 DAG流程硬编码在类内部开发者自定义的任意 DAG支持所有串并联组合二、核心能力对比1. 灵活性与可定制性这是 LCEL 相比传统 Chain 最显著的优势传统预定义 Chain流程固定所有执行步骤和顺序都硬编码在 Chain 类的_call方法中用户无法修改扩展困难只能通过继承重写方法来扩展代码复杂且容易出错黑盒特性内部逻辑不透明无法插入自定义步骤示例限制RetrievalQA只能是 检索→生成 两步无法在中间插入重排序、上下文压缩或结果过滤步骤LCEL完全可编程可以自由组合串行、并行、分支、嵌套等任意拓扑结构流程自定义可以在任意位置插入自定义逻辑修改执行顺序白盒特性所有步骤都是显式的开发者完全掌控执行流程示例优势实现 RAG 可以是 并行多检索→结果合并→重排序→上下文压缩→提示词→LLM→结果格式化 的复杂流程2. 可组合性传统预定义 Chain组合繁琐需要使用SequentialChain、TransformChain等专门的组合类变量映射复杂必须手动指定每个子链的输入输出变量映射容易出错类型不统一不同 Chain 的输入输出格式不一致需要大量转换代码嵌套困难多层嵌套需要层层包装代码可读性差LCEL统一接口所有组件LLM、提示词、检索器、工具、子链都实现了Runnable接口极简语法用|管道符实现串行用RunnableMap实现并行语法直观自动变量对齐输入输出自动传递无需手动映射无限嵌套子链和原子节点没有区别可以任意嵌套组合3. 调试与可观测性传统预定义 Chain黑盒调试只能通过设置verboseTrue查看简单日志无法定位具体步骤的错误无法分步执行不能单独执行某个中间步骤查看中间结果LangSmith 集成有限只能看到整个 Chain 的输入输出看不到内部每个步骤的详细信息LCEL分步调试可以单独调用任意一个Runnable节点查看其输入输出可视化追踪与 LangSmith 深度集成每个步骤的输入输出、耗时、错误、token 用量都能可视化断点支持可以在任意节点设置断点暂停执行查看状态错误定位精准异常信息会明确指出是哪个节点出错以及出错时的输入数据4. 性能与并发传统预定义 Chain串行执行所有步骤默认串行执行并行需要自己用多线程 / 多进程实现流式支持差很多传统 Chain 不支持流式输出或者支持得很有限批处理能力弱没有原生的批处理支持需要自己实现LCEL原生并行RunnableMap中的多个分支会自动并发执行无需手动管理线程全链路流式支持从 LLM 到最终输出的全链路流式传输原生批处理所有Runnable都支持batch()方法可以批量处理多个输入异步支持原生支持异步调用性能更高5. 状态管理与记忆传统预定义 Chain记忆注入式通过memory参数将记忆对象注入 Chain 中记忆类型固定只能使用预定义的记忆类型如ConversationBufferMemory记忆管理不灵活无法自定义记忆的过滤、截断、持久化逻辑全局记忆整个 Chain 共享一个记忆对象无法实现局部记忆LCEL记忆包装式使用RunnableWithMessageHistory包装任意Runnable来添加记忆完全自定义可以自定义记忆的存储、加载、过滤、序列化逻辑局部记忆可以为不同的子链添加不同的记忆对象多会话支持原生支持多会话隔离通过session_id区分不同用户的记忆6. 工具调用能力传统预定义 Chain工具与 Chain 绑定每个工具对应一个专门的 Chain如LLMMathChain、SQLDatabaseChain多工具组合困难很难将多个工具组合在一起使用工具调用逻辑固定工具调用的流程是预定义的无法修改不支持并行工具调用只能串行调用多个工具LCEL通用工具绑定使用bind_tools()方法将任意工具绑定到 LLM 上自由组合工具可以任意组合多个工具实现复杂的工具调用流程自定义工具调用逻辑可以完全控制工具调用的解析、执行、结果处理流程原生支持并行工具调用可以同时调用多个工具提高效率7. 智能体构建能力传统预定义 Chain预定义智能体类型只能使用官方提供的几种智能体类型如ZeroShotAgent、ReActAgent智能体流程固定思考→行动→观察→思考的循环是硬编码的无法修改无法添加自定义步骤不能在智能体循环中插入反思、错误处理、规划等步骤能力上限低只能实现简单的单轮工具调用无法构建复杂的多智能体系统LCEL完全自定义智能体可以自由定义智能体的循环流程和逻辑灵活的步骤组合可以添加规划、反思、错误处理、人类介入等任意步骤多智能体支持可以轻松构建多智能体协作系统与 LangGraph 无缝集成LCEL 节点可以直接作为 LangGraph 的节点实现有循环、有状态的复杂智能体三、工程化支持对比表格特性传统预定义 ChainLCEL重试机制需要自己实现装饰器原生支持with_retry()方法超时控制需要自己实现原生支持with_timeout()方法回调系统支持但不够灵活支持更丰富的回调类型可在任意节点添加输入输出验证无原生支持原生支持 Pydantic 模型验证序列化与持久化支持有限很多 Chain 无法序列化所有Runnable都支持序列化部署支持部署复杂需要专门的包装可以直接部署为 LangServe 端点官方维护状态逐步弃用不再添加新功能官方核心所有新功能优先支持四、代码示例对比示例实现一个简单的 RAG 应用传统预定义 Chain 写法python运行from langchain.chains import RetrievalQA from langchain_openai import ChatOpenAI from langchain_community.vectorstores import FAISS from langchain_openai import OpenAIEmbeddings # 初始化组件 llm ChatOpenAI(temperature0) embeddings OpenAIEmbeddings() db FAISS.load_local(faiss_index, embeddings, allow_dangerous_deserializationTrue) retriever db.as_retriever() # 构建 RAG 链流程固定检索→生成 qa_chain RetrievalQA.from_chain_type( llmllm, chain_typestuff, retrieverretriever, return_source_documentsTrue ) # 调用 result qa_chain.invoke({query: 什么是 LCEL})LCEL 写法可自定义流程python运行from langchain_core.runnables import RunnablePassthrough, RunnableLambda from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain_community.vectorstores import FAISS from langchain_openai import OpenAIEmbeddings # 初始化组件 llm ChatOpenAI(temperature0) embeddings OpenAIEmbeddings() db FAISS.load_local(faiss_index, embeddings, allow_dangerous_deserializationTrue) retriever db.as_retriever() # 自定义提示词 prompt ChatPromptTemplate.from_template( 根据以下上下文回答问题 上下文{context} 问题{question} ) # 自定义 RAG 流程可任意扩展 def format_docs(docs): return \n\n.join(doc.page_content for doc in docs) rag_chain ( {context: retriever | format_docs, question: RunnablePassthrough()} | prompt | llm ) # 调用 result rag_chain.invoke(什么是 LCEL)扩展在 LCEL 中添加重排序步骤python运行from langchain_community.document_compressors import LLMChainExtractor # 添加上下文压缩步骤 compressor LLMChainExtractor.from_llm(llm) rag_chain_with_compression ( {context: retriever | compressor | format_docs, question: RunnablePassthrough()} | prompt | llm )这在传统RetrievalQA中需要重写整个_call方法才能实现。五、选型建议优先使用传统预定义 Chain 的情况快速原型开发需要在几分钟内搭建一个简单的应用需求非常简单完全匹配某个预定义 Chain 的功能不需要自定义流程只需要修改参数维护旧项目暂时不需要迁移强烈推荐使用 LCEL 的情况所有新开发的项目需要自定义流程或扩展功能的应用对性能、并发、流式输出有要求的应用需要良好调试和可观测性的生产级应用需要组合多个工具或多个链的复杂应用需要使用 LangGraph 的情况需要循环、迭代、重试的任务需要状态记忆和反馈回路的智能体需要自主回退和纠错的复杂任务多智能体协作系统六、迁移指南官方提供了完整的从传统 Chain 迁移到 LCEL 的指南以下是常见传统 Chain 的 LCEL 等价写法表格传统 ChainLCEL 等价写法LLMChainpromptllmSimpleSequentialChainchain1chain2SequentialChain手动映射变量后用 串联RetrievalQA{context: retriever, question: RunnablePassthrough()}promptllmConversationChainRunnableWithMessageHistory(promptllm)七、最终总结传统预定义 Chain 是 LangChain 早期为了降低入门门槛而设计的黑盒组件它们提供了开箱即用的功能但灵活性和可扩展性非常有限。而 LCEL 是 LangChain 架构的一次根本性重构它将所有能力拆分为标准的Runnable接口通过极简的语法让开发者可以自由组合出任意复杂的拓扑结构。从本质上讲传统 Chain 是 给你一个做好的蛋糕你只能选择口味而 LCEL 是 给你面粉、鸡蛋、奶油和烤箱你可以做出任何你想要的甜点。对于现在的开发者来说LCEL 应该是构建所有 LangChain 应用的首选传统预定义 Chain 只应该用于快速原型和旧项目维护。而当你的应用需要循环、状态和自主决策能力时再在 LCEL 的基础上引入 LangGraph形成 LCEL 做节点LangGraph 做编排 的最佳实践。
