企业官网建设流程全解析

LCEL（LangChain Expression Language）语法全解

LCEL 是 LangChain 推出的声明式链式编排语法，基于统一的Runnable接口标准，通过管道符|拼接提示词、大模型、输出解析器、工具等组件，构建完整的大模型应用链路。它替代了早期LLMChain、SequentialChain等面向对象的繁琐写法，是当前 LangChain 构建应用的官方标准范式。

一、核心底层原理

1. 统一 Runnable 接口
   LangChain 中所有可执行组件（提示词、模型、解析器、工具、自定义函数）都实现了Runnable基类，拥有完全一致的调用规范，这是组件可以自由拼接的底层基础。
2. 管道符|语法糖
   它本质是对 Python__or__方法的重载，作用是将左侧组件的输出，自动作为右侧组件的输入，和 Unix Shell 的管道逻辑完全一致，数据流严格从左向右流动。

二、基础语法：标准三段式链路

最经典、最常用的 LCEL 结构是「提示词模板 → 大模型 → 输出解析器」，对应「填模板→调用模型→解析结果」的标准流程。

fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_openaiimportChatOpenAI# 1. 定义单个组件prompt=ChatPromptTemplate.from_template("请用通俗语言解释{concept}，不超过100字")model=ChatOpenAI(model="gpt-3.5-turbo",temperature=0)parser=StrOutputParser()# 2. LCEL 管道拼接成链chain=prompt|model|parser# 3. 统一调用result=chain.invoke({"concept":"LCEL"})print(result)

执行逻辑：

1. 输入字典{"concept": "LCEL"}传入提示词模板，填充变量生成完整 Prompt
2. 填充后的 Prompt 自动传入大模型，生成 AI 消息对象
3. 消息对象传入字符串解析器，提取纯文本内容作为最终结果

三、统一调用方法

所有 LCEL 链都共享同一套调用接口，无需针对不同组件修改写法：

四、常用基础组件

1. 输入透传：RunnablePassthrough

原样保留输入内容，常用于并行链路中传递原始参数，是 RAG 等场景的必备组件。

fromlangchain_core.runnablesimportRunnablePassthrough# 原始输入会被原样透传chain=RunnablePassthrough()|(lambdax:f"收到：{x}")print(chain.invoke("你好"))# 输出：收到：你好

2. 自定义逻辑：RunnableLambda

将普通 Python 函数包装为 Runnable 组件，无缝接入管道，实现自定义数据清洗、格式转换等逻辑。

fromlangchain_core.runnablesimportRunnableLambdadefclean_text(text):returntext.strip().replace("\n","")# 自定义清洗 → 提示词 → 模型 → 解析器chain=RunnableLambda(clean_text)|prompt|model|parser

3. 结构化输出解析

将模型输出转为结构化数据，三类最常用的解析器：

• StrOutputParser：提取模型输出的纯文本，日常开发最常用
• JsonOutputParser：将模型输出解析为字典/JSON 格式
• PydanticOutputParser：强制输出符合 Pydantic 定义的数据结构

五、进阶编排语法

1. 并行执行：RunnableParallel

同时运行多个独立子链路，最终将所有分支结果合并为字典返回，常用于 RAG、多维度分析场景。支持两种写法，字典简写更常用：

# 写法1：字典简写（LCEL 会自动转为 RunnableParallel）parallel_chain={"双倍":lambdax:x["num"]*2,"加十":lambdax:x["num"]+10}print(parallel_chain.invoke({"num":5}))# 输出: {'双倍': 10, '加十': 15}

典型 RAG 场景用法：

# 检索分支 + 原始问题透传，两路结果一同传给提示词rag_chain={"context":retriever,# 分支1：检索知识库返回上下文"question":RunnablePassthrough()# 分支2：保留原始用户问题}|prompt|model|parser

2. 条件分支：RunnableBranch

根据输入内容动态选择执行链路，实现路由逻辑，类似代码里的if-elif-else结构。

fromlangchain_core.runnablesimportRunnableBranch route_chain=RunnableBranch((lambdax:x["type"]=="数学",lambdax:f"数学题：{x['question']}"),(lambdax:x["type"]=="语文",lambdax:f"语文题：{x['question']}"),lambdax:f"通用问题：{x['question']}"# 默认兜底分支)

3. 容错降级：with_fallbacks

给主链路添加备用方案，主链路调用失败时自动切换到备用链路，是生产环境提升稳定性的标准手段。

main_model=ChatOpenAI(model="gpt-4")backup_model=ChatOpenAI(model="gpt-3.5-turbo")# 主模型调用失败时，自动走备用模型reliable_chain=prompt|main_model.with_fallbacks([backup_model])|parser

4. 工具调用绑定

通过bind_tools将工具函数绑定到模型，让模型可以自主判断是否调用工具、生成调用参数。

fromlangchain_core.toolsimporttool@tooldefget_weather(city:str)->str:"""查询指定城市的实时天气"""returnf"{city}今日晴，气温25℃"# 绑定工具到模型model_with_tools=model.bind_tools([get_weather])# 接入管道tool_chain=prompt|model_with_tools

六、核心优势总结

1. 声明式、可读性强：代码即数据流，从左到右一目了然，比嵌套类写法更易维护
2. 组件高度解耦：所有组件遵循统一标准，可自由替换、组合，无需修改链路代码
3. 原生工程能力：零额外开发，天然支持流式、批量、异步、容错降级
4. 可观测性友好：无缝对接 LangSmith 调试平台，自动追踪每一步执行状态
5. 生产级适配：可直接通过 LangServe 部署为 API 接口，快速落地

importosfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.runnablesimportRunnablePassthrough,RunnableLambdafromlangchain_openaiimportChatOpenAI,OpenAIEmbeddingsfromlangchain_community.vectorstoresimportChromafromlangchain_text_splittersimportRecursiveCharacterTextSplitter# ===================== 1. 基础配置 =====================# 替换为自己的 API Key；兼容所有 OpenAI 协议的模型os.environ["OPENAI_API_KEY"]="sk-你的API密钥"# 如需使用本地/第三方兼容模型，可配置代理地址# os.environ["OPENAI_BASE_URL"] = "https://你的接口地址/v1"# ===================== 2. 准备知识库文档 =====================# 模拟业务知识库，可替换为 PDF/Word/网页等读取的文本内容raw_knowledge=""" MLCC（片式多层陶瓷电容器）是被动元件的核心品类，被称为"电子大米"，核心作用是稳压、滤波、储能，广泛应用于消费电子、汽车电子、AI服务器等领域。 MLCC的核心上游材料是陶瓷粉体、金属内电极浆料，国内主流厂商包括风华高科、三环集团、火炬电子等。 PCB（印制电路板）是电子元器件的承载基板，负责电气连接，是所有电子设备的基础部件，被称为"电子系统之母"。 PCB按层数可分为单面板、双面板、多层板，高阶HDI、封装载板是当前高端PCB的核心方向，国内主流厂商包括沪电股份、深南电路、鹏鼎控股。 CPO（共封装光学）是一种光封装技术，将光引擎与交换芯片共同封装在同一块基板上，可大幅降低功耗、提升传输密度，是AI高速互联的核心技术路线。 CPO产业链中，PCB作为高速承载基板，规格要求显著升级；MLCC作为电源滤波元件，单机用量随功耗提升而增加。 """# 文档切片：将长文本切分为适合检索的小块text_splitter=RecursiveCharacterTextSplitter(chunk_size=200,# 单块最大字符数chunk_overlap=30,# 块间重叠字符数，避免语义断裂separators=["\n\n","\n","。"," "]# 优先按语义分割)doc_splits=text_splitter.create_documents([raw_knowledge])# ===================== 3. 构建向量库与检索器 =====================# 使用 Chroma 内存向量库，无需额外安装数据库；如需持久化可加 persist_directory 参数vectorstore=Chroma.from_documents(documents=doc_splits,embedding=OpenAIEmbeddings(model="text-embedding-3-small"))# 创建检索器，召回最相关的 Top 3 文档片段retriever=vectorstore.as_retriever(search_kwargs={"k":3})# 工具函数：将检索到的文档对象拼接为纯文本，供大模型读取defformat_docs(docs):return"\n\n".join(doc.page_contentfordocindocs)# ===================== 4. 定义提示词与模型组件 =====================# RAG 专用提示词模板，强制基于上下文回答，抑制幻觉rag_prompt=ChatPromptTemplate.from_template(""" 你是专业的电子行业知识库助手，仅可基于下方提供的上下文回答问题。 如果上下文中没有对应答案，请直接回答「知识库中暂无相关信息」，禁止编造内容。 【参考上下文】 {context} 【用户问题】 {question} 【正式回答】 """)# 初始化大模型与输出解析器llm=ChatOpenAI(model="gpt-3.5-turbo",temperature=0)output_parser=StrOutputParser()# ===================== 5. 核心：LCEL 搭建 RAG 链路 =====================rag_chain=(# 并行执行两路分支，最终合并为字典传入提示词{"context":retriever|RunnableLambda(format_docs),# 分支1：检索+格式化上下文"question":RunnablePassthrough()# 分支2：原样透传用户原始问题}|rag_prompt# 填充提示词模板|llm# 调用大模型生成答案|output_parser# 提取纯文本结果)# ===================== 6. 调用测试 =====================if__name__=="__main__":# 方式1：同步阻塞调用，一次性返回完整结果question_1="MLCC和PCB在CPO产业链中分别有什么作用？"result=rag_chain.invoke(question_1)print("=== 同步调用结果 ===")print(result)print("\n"+"-"*60+"\n")# 方式2：流式调用，逐字返回，适配聊天界面场景question_2="国内MLCC的主流厂商有哪些？"print("=== 流式调用结果 ===")forchunkinrag_chain.stream(question_2):print(chunk,end="",flush=True)