- LangChain：LLMs 应用开发框架 LangChain-Community：第三方集成 LangChain-Core：LCEL 等协议
- LangChain Templates：开箱即用APP示例
- LangServe：Chains 生产部署（REST API）
- LangSmith：一站式开发者平台
LCEL 设计理念与优势
标准化的大模型抽象 Model I/O
竖线符号类似于 Unix 管道操作符，它将不同的组件链接在一起，将一个组件的输出作为下一个组件的输入。
LCEL Runnable 协议设计与使用
LCEL vs LangChain 古典语法
LCEL 进阶使用：整合复杂逻辑的多链
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
| from operator import itemgetter
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI
from langchainAI.constants import model
m = ChatOpenAI(
model="ep-20250217170142-lrm2g",
base_url=model.oneApiUrl,
api_key=model.oneApiKey,
streaming=True,
)
planner = ChatPromptTemplate.from_template("生成关于以下内容的论点: {input}") | m | StrOutputParser() | {
"base_response": RunnablePassthrough()}
# 创建正面论证的处理链，列出关于基础回应的正面或有利的方面
arguments_for = (
ChatPromptTemplate.from_template(
"列出关于{base_response}的正面或有利的方面"
)
| m
| StrOutputParser())
# 创建反面论证的处理链，列出关于基础回应的反面或不利的方面
arguments_against = (
ChatPromptTemplate.from_template(
"列出关于{base_response}的反面或不利的方面"
)
| m
| StrOutputParser()
)
# 创建最终响应者，综合原始回应和正反论点生成最终的回应
final_responder = (
ChatPromptTemplate.from_messages(
[
("ai", "{original_response}"),
("human", "正面观点:\n{results_1}\n\n反面观点:\n{results_2}"),
("system", "给出批评后生成最终回应"),
]
)
| m
| StrOutputParser()
)
# 构建完整的处理链，从生成论点到列出正反论点，再到生成最终回应
chain = (
planner
| {
"results_1": arguments_for,
"results_2": arguments_against,
"original_response": itemgetter("base_response"),
}
| final_responder
)
for chunk in chain.stream({"input": "房地产非常低迷"}):
print(chunk, end="", flush=True)
|
