LangChain 新范式：从 LCEL 到流式对话

文章目录

• [1. 什么是 LangChain？为什么需要它？](#1. 什么是 LangChain？为什么需要它？)
• • [1.1 大模型开发的挑战](#1.1 大模型开发的挑战)
  • [1.2 LangChain 的定位](#1.2 LangChain 的定位)
• [2. 环境准备 (Prerequisites)](#2. 环境准备 (Prerequisites))
• • [2.1 安装](#2.1 安装)
  • [2.2 配置 API Key](#2.2 配置 API Key)
• [3. 模型交互：ChatModel 基础](#3. 模型交互：ChatModel 基础)
• • [3.1 定义模型](#3.1 定义模型)
  • [3.2 消息体系 (Message Types)](#3.2 消息体系 (Message Types))
• [4. 核心语法：LCEL (LangChain Expression Language)](#4. 核心语法：LCEL (LangChain Expression Language))
• • [4.1 为什么要用 LCEL？](#4.1 为什么要用 LCEL？)
  • [4.2 动手写第一条链](#4.2 动手写第一条链)
  • [4.3 Runnable 协议详解](#4.3 Runnable 协议详解)
• [5. 提升体验：流式传输 (Streaming)](#5. 提升体验：流式传输 (Streaming))
• • [5.1 同步流式 (`.stream`)](#5.1 同步流式 (.stream))
  • [5.2 异步流式 (`.astream`) - Web 开发必备](#5.2 异步流式 (.astream) - Web 开发必备)

摘要：本篇作为系列开篇，将带你从零认识 LangChain，了解它如何简化大模型应用开发。我们将重点掌握 LangChain 的"现代语法"------LCEL，并手写第一个支持流式输出的对话应用。

适合人群：LangChain 初学者、希望从旧版 Chain 迁移到新版的开发者。

1. 什么是 LangChain？为什么需要它？

1.1 大模型开发的挑战

直接调用 OpenAI 的 API 并不难，写几行 requests 或者用官方 SDK 都能做到。但在开发复杂的 LLM 应用（如 RAG、智能体）时，我们很快会遇到以下痛点：

1. 模型碎片化：想把 GPT-4 换成 Claude 3 或本地的 Llama 3，API 格式完全不同，代码要重写。
2. 数据连接难：如何优雅地把 PDF、数据库、网页内容塞给大模型？
3. 流程编排乱：先去搜索，整理结果，再生成回答，这中间的数据流转代码很容易写成"面条代码"。

1.2 LangChain 的定位

LangChain 就是为了解决这些问题而生的编排框架。它提供了一套标准化的接口：

• 统一接口 (Model I/O)：无论你是调 OpenAI 还是通义千问，代码写法完全一样。
• 数据连接 (Retrieval)：内置 100+ 种加载器，轻松连接私有数据。
• 链式编排 (Chains)：像搭积木一样组合不同的组件。

2. 环境准备 (Prerequisites)

在开始写代码前，让我们先搞定环境。

2.1 安装

推荐使用 Python 3.9+ 环境。LangChain 已拆分为多个包，我们主要安装核心包和 OpenAI 适配包。

pip install langchain langchain-openai langchain-community

2.2 配置 API Key

LangChain 默认会从环境变量中读取 API Key。建立一个 .env 文件或直接在终端设置：

import os

# 替换为你的 API Key
os.environ["OPENAI_API_KEY"] = "sk-..."

# 如果你需要使用国内的中转服务，可以设置 Base URL
# os.environ["OPENAI_API_BASE"] = "https://api.your-proxy.com/v1"

3. 模型交互：ChatModel 基础

LangChain 中主要有两种模型对象：LLM (纯文本补全) 和 ChatModel (对话模型)。现在主流大模型（如 GPT-4）都是 ChatModel。

3.1 定义模型

from langchain_openai import ChatOpenAI

# model: 指定模型版本，如 gpt-4o-mini, gpt-3.5-turbo
# temperature: 创新性控制 (0-2)。0 表示最保守、确定；1 表示有创意。
# max_tokens: 限制回复的最大长度，防止 token 耗尽。
model = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.7,
    max_tokens=500
)

3.2 消息体系 (Message Types)

对话模型不接受单一字符串，而是接受一个"消息列表"。这模拟了真实的对话历史。

• SystemMessage : 系统指令。设定 AI 的人设、语气或行为准则。通常放在列表第一个。
• HumanMessage : 用户输入。代表人类的问题。
• AIMessage : AI 回复。模型的输出。

from langchain_core.messages import SystemMessage, HumanMessage

messages = [
    SystemMessage(content="你是一个像莎士比亚一样的诗人，说话都要押韵。"),
    HumanMessage(content="请介绍一下什么是人工智能。")
]

# 调用模型 (.invoke 是标准同步调用方法)
response = model.invoke(messages)

# response 是一个 AIMessage 对象，包含 content, response_metadata 等
print(f"原始内容: {response}")
print(f"回复文本: {response.content}")

4. 核心语法：LCEL (LangChain Expression Language)

LangChain v0.1 后，官方强烈推荐使用 LCEL。这是一种声明式的编程方式，让代码更易读、更易调试。

4.1 为什么要用 LCEL？

在旧版 LangChain 中，我们可能需要使用 LLMChain 类，参数多且不直观。LCEL 借用了 Unix 管道符 |，让数据流向一目了然。

原理 ：Python 允许重载 | 运算符 (__or__ 方法)。LangChain 利用这一点，将 A | B 解释为"把 A 的输出作为 B 的输入"。

4.2 动手写第一条链

让我们解决一个经典任务：翻译助手 。

我们将组合三个组件：Prompt (处理输入) -> Model (生成) -> Parser (处理输出)。

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1. 定义 Prompt 模板
# 这里的 {language} 和 {text} 是挖好的坑（变量）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的翻译助手，负责将文本翻译成{language}。"),
    ("user", "{text}")
])

# 2. 定义输出解析器
# ChatModel 输出的是 AIMessage 对象，StrOutputParser 帮我们直接提取 .content 字符串
parser = StrOutputParser()

# 3. 组装链 (魔法发生的地方)
chain = prompt | model | parser

# 4. 调用链
# 输入是一个字典，key 必须匹配 prompt 中的变量名
result = chain.invoke({"language": "中文", "text": "LangChain is a powerful framework."})

print(result) 
# 输出结果直接就是字符串: "LangChain 是一个强大的框架。"

4.3 Runnable 协议详解

LCEL 之所以能借用 |，是因为链中的每个节点（Prompt, Model, Parser）都实现了 Runnable 接口。这意味着它们都支持一套标准 API：

• .invoke(input): 标准同步调用。
• .stream(input): 流式返回，像打字机一样一个字一个字出。
• .batch([inputs]): 并行处理一批输入。
• .astream(input): 异步流式（对于 Web 后端很重要）。

5. 提升体验：流式传输 (Streaming)

在构建 Chatbot 时，如果模型生成一个长回复需要 5 秒，用户就会盯着空白屏幕傻等。流式传输能让用户立刻看到第一个字，极大提升体验。

5.1 同步流式 (.stream)

# 还是复用上面的 chain
input_data = {"language": "中文", "text": "Please write a short poem about coding."}

print("开始生成...")
# chunk 是每次返回的一小块内容（对于 StrOutputParser，就是字符串片段）
for chunk in chain.stream(input_data):
    # end="" 防止print自动换行
    # flush=True 强制刷新缓冲区，确保内容立刻显示在终端
    print(chunk, end="", flush=True)
print("\n生成结束")

5.2 异步流式 (.astream) - Web 开发必备

在 FastAPI、Django 或 Flask 异步视图中，必须使用异步方法，否则会阻塞服务器线程。

import asyncio

async def async_main():
    print("异步流式开始...")
    async for chunk in chain.astream(input_data):
        print(chunk, end="", flush=True)

# 在 Jupyter 或 Python 脚本中运行
# asyncio.run(async_main()) 

---

本篇总结：

1. ChatModel 是核心，记得用 SystemMessage 设定人设。
2. LCEL (|) 是灵魂，它把 Prompt、Model、Parser 串成流水线。
3. Streaming 是体验提升的关键，.stream() 让应用有了"生命感"。

下一篇，我们将深入提示词工程 (Prompt Engineering) ，学习如何管理复杂的提示词，以及最重要的技能------让大模型输出 JSON 格式数据。