LangChain 1.0+ 第二篇：Prompt、结构化输出与 LCEL 组件组合
摘要：光会调用模型还不够，应用还需要把任务规则说清楚、让程序稳定拿到结构化数据。本文讲透 Prompt 输入协议、Structured Output 输出协议，以及把组件串成链的 LCEL 语法。
引子：调通了模型，然后呢
你已经会用 model.invoke() 调通一个大模型。但把一句用户问题直接丢给模型，它只会大概知道"要回答"，不知道你的业务规则：排查步骤是什么、能不能编造、缺少信息时怎么办、要不要转人工。
另一头是程序：模型回答的自然语言，人看得懂，程序却不好稳定处理------取个电影评分，得靠正则去猜数字。
这两个问题，正是本文要讲的两套"协议"：
- Prompt 解决输入侧：如何把任务规则说清楚 → 输入协议
- Structured Output 解决输出侧：如何让模型返回程序能处理的数据 → 输出协议
- LCEL 解决组合侧：如何把 Prompt、Model、Parser 串成一条流水线
一句话记忆：Prompt 让模型知道该怎么做；Structured Output 让程序知道模型返回了什么；LCEL 让它们能串起来。
一、Prompt：把任务写成输入协议
1. 工程化 Prompt 的五类信息
工程化 Prompt 不是"写一段话"，而是把任务规则结构化地讲清楚。通常包含五类信息：
| 要素 | 说明 |
|---|---|
| 角色 | 模型以什么身份回答 |
| 任务 | 这次要完成什么 |
| 上下文 | 可依据的资料、消息或工具结果 |
| 约束 | 哪些不能做，缺少信息时怎么办 |
| 输出 | 回答按什么形式给出 |
常见的五类错误，都对应这五要素的缺失：
- 只写"你是一个助手"，没有业务边界（缺约束）
- 只要求"不要出错"，没说缺信息时怎么办（缺约束）
- 需要实时信息时，没要求使用工具或说明来源（缺上下文）
- 只要求输出 JSON，但没定义字段（缺输出）
- 所有约束都放 Prompt 里，却没在工具/Schema/代码层做校验（过度依赖 Prompt）
Prompt 不是让模型变聪明，而是让模型更清楚当前任务规则。
2. PromptTemplate：让 Prompt 可复用、可组合
每次手写完整 Prompt，会带来重复代码多、规则不一致、变量易漏传、难以和其他组件组合四个问题。
f-string 也能做字符串替换，但 PromptTemplate 的价值不在替换，而在结构和组合：
- 保留 system / human 等消息角色结构
- 自动管理模板变量，缺变量时报错
- 可作为 Runnable，与 model、structured output 组合
- 适合长 Prompt 统一管理和复用
python
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "你是{device_type}设备的客服助手，回答要简洁、准确。"),
("human", "用户问题：{question}"),
])
chain = prompt | model
response = chain.invoke({
"device_type": "饮水机",
"question": "不出水怎么办？"
})执行流程：输入变量 → PromptTemplate 生成 messages → Model 生成回答。
f-string 管字符串替换；PromptTemplate 管消息模板和组件组合。
二、Structured Output：让程序拿到可处理的数据
1. 为什么需要结构化输出
自然语言适合人看，程序却要"格式稳定"。同样一个电影信息，两种形态：
| 形式 | 示例 |
|---|---|
| 自然语言 | 《肖申克的救赎》上映于 1994 年，导演是弗兰克·德拉邦特，评分 9.7 |
| 结构化数据 | {"title": "肖申克的救赎", "year": 1994, "director": "弗兰克·德拉邦特", "rating": 9.7} |
Schema 就是"数据格式说明书"，规定返回哪些字段、什么类型、什么含义。课程中主要用 Pydantic 定义：
python
from pydantic import BaseModel, Field
class Movie(BaseModel):
title: str = Field(..., description="电影名称")
year: int = Field(..., description="上映年份")
director: str = Field(..., description="导演")
rating: float = Field(..., description="评分，满分 10 分")一个关键认知：结构化输出解决的是"格式稳定"，不保证事实正确或最新。实时信息应来自搜索、数据库或 API，而不是让模型猜。
2. with_structured_output：按 Schema 返回数据
调用方式只需要在模型上加一层：
python
model_with_structure = model.with_structured_output(Movie)
response = model_with_structure.invoke("""
请从下面文本中抽取电影信息：
《肖申克的救赎》上映于 1994 年，导演是弗兰克·德拉邦特，评分 9.7 分。
""")
print(response.title) # 肖申克的救赎
print(response.rating) # 9.7普通调用和结构化调用的差别：
vbscript
普通调用：输入 → 模型 → AIMessage（response.content）
结构化调用：输入 → 模型 → 按 Schema 解析 → Pydantic 对象（response.title）三个实用细节：
Field(description=...)不只是给开发者看，也帮助模型理解字段含义。include_raw=True用于调试 ：同时拿到原始消息和解析结果，返回{"raw": AIMessage, "parsed": Movie, "parsing_error": None}。- 返回结果可直接作为 Python 对象使用 ，程序拿着
.title、.rating就能写进数据库或往下传。
3. 与 Agent 的关系预告
with_structured_output 适合模型级单步任务 （信息抽取、分类、整理字段）。到了 Agent 阶段，结构化输出可以作为任务完成后的最终业务结果，例如：
json
{
"answer": "建议先检查电源和进水管...",
"need_human": true,
"reason": "用户描述可能涉及设备故障",
"suggested_action": "转人工客服"
}程序拿到这份结果，就能判断是否转人工、创建工单、记录故障------这正是"让程序知道模型返回了什么"在真实业务里的落点。
三、LCEL：Runnable 与组件组合
1. Runnable：统一调用接口
LangChain 里 Prompt、Model、Parser、Retriever、Agent 都有 invoke / stream / batch 方法，这不是巧合------它们都实现了同一套执行接口 Runnable。
| 方法 | 说明 |
|---|---|
invoke |
单次调用 |
stream |
流式调用，边生成边返回 |
batch |
批量调用 |
ainvoke |
异步调用 |
python
# 模型
response = model.invoke("你好，介绍一下 LangChain。")
# 流式：聊天 UI 打字机效果
for chunk in model.stream("写一段客服欢迎语。"):
print(chunk.content, end="")
# Agent 也遵循同一接口
result = agent.invoke({"messages": [{"role": "user", "content": "帮我查订单状态"}]})Runnable 解决的是"组件怎么被统一调用"的问题。
2. prompt | model 为什么能这样写
LCEL （LangChain Expression Language）是组合 Runnable 的表达式语法。prompt | model 里的 | 不是"或"，而是把左边 Runnable 的输出，传给右边 Runnable 作为输入：
python
chain = prompt | model
# 等价于：
messages = prompt.invoke(input_data)
response = model.invoke(messages)为什么 | 左右通常必须是 Runnable？因为 | 的本质是组件组合，LangChain 需要知道怎么执行 A 和 B------普通字符串没有 invoke 方法，不能参与链式组合。
普通函数想参与也可以，用 RunnableLambda 包装：
python
from langchain_core.runnables import RunnableLambda
def add_prefix(text):
return "用户问题：" + text
chain = RunnableLambda(add_prefix) | modelRunnable 解决"怎么执行"；
|解决"怎么连接"。
3. Chain：多条 Runnable 串成流水线
Chain 就是多个 Runnable 按顺序组合形成的执行流程：
python
chain = prompt | model # Prompt → Model
chain = prompt | model | parser # Prompt → Model → Parser执行时内部流程：输入 → prompt.invoke(...) → model.invoke(...) → parser.invoke(...) → 输出。
Chain 不是新组件，而是把多个 Runnable 组成一条流水线。
4. LCEL 需要学到什么程度
对 LangChain 1.0+ 的 Agent 应用，新手不需要一开始系统学复杂 LCEL。分清楚重点：
| 内容 | 是否重点 |
|---|---|
| invoke / stream / batch | 需要掌握 |
| prompt | model | 需要掌握 |
| RunnableLambda | 了解即可 |
| 复杂 LCEL 分支、并行、路由 | 后面需要时再学 |
| 用 LCEL 替代 Agent 主线 | 不建议 |
原因：LangChain 1.0+ 的主线更偏向 Agent、Middleware、State 和 LangGraph。这一章只要能看懂 chain = prompt | model | parser，就达到目标。
四、小结
回到开头的两个问题：
- 输入侧：Prompt 是输入协议，PromptTemplate 让它可以复用、可组合。
- 输出侧 ：Schema 是输出协议，
with_structured_output让程序拿到可处理的 Python 对象。 - 组合侧 ：Runnable 是统一执行接口，
|把组件串成 Chain。
一句话收束：Prompt 管输入；Schema 管输出；Runnable 管执行；| 管连接。
下一步，Agent 会把 Prompt、工具、结构化输出组织成完整任务，把这三块知识真正用起来。相关背景可延伸阅读 \[MCP模型上下文协议]、\[主流LLM落地框架]。