001：LangChain的LCEL语法学习

昝梓菱 · 1 小时前

本文是 refine-rag 系列教程的第二篇，带你体验一下LangChain 的 LCEL 语法。
本文所有代码都在：https://github.com/zonezoen/refine-rag

前言

LCEL (LangChain Expression Language)，语言链表达式语言，是LangChain的表达式语言，用于描述数据处理逻辑。有点类似 Unix 的管道符号。本质就是把前面的输出
传递给后面作为输入。
基础使用

Chain = Prompt | Model | OutputParser
这个比较简单，就是先写好几个实例，然后用｜连接起来，形成一个链。想要尽快掌握的话，可以教大模型给你出几道 LCEL 相关的题目给你，写完之后叫AI 给你评分并指导正确答案。
本文所有代码都在：https://github.com/zonezoen/refine-rag
创建 .env 文件，放到项目根目录，文件里面写入以下配置信息：

# DeepSeek API 配置
DEEPSEEK_API_KEY=sk-xxx
# 千问
DASHSCOPE_API_KEY=sk-yyy

复制代码

如何获取 API Key：

DeepSeek: https://platform.deepseek.com/
千问(DashScope): https://dashscope.aliyun.com/

from langchain_deepseek import ChatDeepSeek
from langchain_core.prompts import ChatPromptTemplate
from dotenv import load_dotenv
from langchain_core.output_parsers import StrOutputParser
import os
load_dotenv()
prompt_01 = ChatPromptTemplate.from_template(
"""
介绍这个人物的生平事迹：{person}
"""
)
prompt_02 = ChatPromptTemplate.from_template(
"""
把这个介绍转换成文言文：{text}
"""
)
llm = ChatDeepSeek(
model="deepseek-chat", # DeepSeek API 支持的模型名称
temperature=0.7, # 随机性
max_tokens=2048, # 最大输出长度
api_key=os.getenv("DEEPSEEK_API_KEY") # 从环境变量加载API key
)
ps = {"text": (prompt_01 | llm | StrOutputParser())}
chain = ps | prompt_02 | llm | StrOutputParser()
answer = chain.invoke({"person": "周杰伦"})
print(answer)

复制代码

运行结果

周杰伦（Jay Chou），己未年（西元一九七九）正月十八日生于台湾新北。乃华语乐坛巨擘，集歌者、制乐、词曲、导演、伶人于一身，世誉“亚洲流行天王”。
**早年志学**
幼习琴律，天赋初显。丙子年（一九九七）参演《超级新人王》，擢亚魁，其才为吴宗宪所识，遂入阿尔发乐司为助。初为他人撰曲（若《眼泪知道》《双截棍》皆尝见拒），曲风新奇，时人未尽纳。
**乐业腾骞**
* **首辑破局**：庚辰年（二〇〇〇）发专辑《Jay》，融R&B、嘻哈并中国雅韵，一举革新乐坛旧制，夺金曲奖最佳专辑。
* **开宗中国风**：以传统文脉入流行宫商，作《东风破》《发如雪》《青花瓷》《千里之外》诸名篇，倡“中国风”为一时潮流。
* **丰产屡进**：嗣后岁出一辑，若《范特西》《叶惠美》《七里香》《十一月的萧邦》等，皆风行四海。曲格多元，兼摄古典、摇滚、电子；其词多与方文山共谋，诗象盎然。
* **荣冠载途**：累获金曲奖十五座，销录屡破，实千禧年后华语乐坛之圭臬。
**跨界骋才**
* **影戏**：乙酉年（二〇〇五）初主演《头文字D》，获金马奖新人魁首。丁亥年（二〇〇七）自导自演《不能说的秘密》，成乐影合璧之经典。
* **导艺与演游**：掌镜多部曲影，戊戌年（二〇一八）主创《周游记》。壬寅年（二〇二二）监制并出演好莱坞影戏《极限追杀》。
* **商略**：创潮服牌“PHANTACi”、电竞赛旅“J Team”，亦涉饮馔诸业。

复制代码

RunnableParallel和RunnablePassthrough

现实中，数据流不会总是这么简单。有时候你需要同时处理多个输入，或者把某些数据原样传递。这时候就需要 RunnableParallel 和 RunnablePassthrough。
2.1 RunnableParallel (并行处理)

当你需要把一份输入分发给多个组件，或者构造一个复杂的字典传给下一个环节时，用它。
2.2 RunnablePassthrough (原样通过)

它像是一个透明的管道，把输入数据直接传给下一级，不做任何修改。
代码示例：

from langchain_deepseek import ChatDeepSeek
from langchain_core.prompts import ChatPromptTemplate
from dotenv import load_dotenv
from langchain_core.output_parsers import StrOutputParser
import os
from langchain_core.runnables import RunnablePassthrough, RunnableParallel
load_dotenv()
prompt_01 = ChatPromptTemplate.from_template(
"""
生成该公司的“口号（Slogan）：{company}
"""
)
prompt_02 = ChatPromptTemplate.from_template(
"""
预测该公司“明年的股价”：{company}
"""
)
llm = ChatDeepSeek(
model="deepseek-chat", # DeepSeek API 支持的模型名称
temperature=0.7, # 随机性
max_tokens=2048, # 最大输出长度
api_key=os.getenv("DEEPSEEK_API_KEY") # 从环境变量加载API key
)
chain1 = {"company": RunnablePassthrough()} | prompt_01 | llm | StrOutputParser()
chain2 = {"company": RunnablePassthrough()} | prompt_02 | llm | StrOutputParser()
chain = RunnableParallel({"slogan": chain1, "stock": chain2})
answer = chain.invoke("百度")
print(answer)

复制代码

ok，这些你掌握之后，就算基本掌握了 LCEL 的语法了，后续学习中可能会陆陆续续用到这些知识。
学习路径

简易RAG 学习
LCEL 语法学习
LangChain 读取数据
- LangChain 读取文本数据
- LangChain 读取图片数据
- LangChain 读取 PDF 数据
- LangChain 读取表格数据
文本切块
向量嵌入
向量存储
检索前处理
索引优化
检索后处理
响应生成
系统评估

项目地址

本文所有代码示例都在 GitHub 开源：
https://github.com/zonezoen/refine-rag
欢迎 Star 和 Fork，一起学习 RAG 技术！

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

账号		自动登录	找回密码
密码			立即注册

001：LangChain的LCEL语法学习

相关帖子

签约作者

001：LangChain的LCEL语法学习

相关帖子

相关推荐

签约作者