LangChain链和LangGraph图的学习笔记【四】——（1）调用方法：invoke（2）提示语模板：PromptTemplate

小叶肥辉2026-09-15 11:36

一、【调用方法：invoke】

1. 概念与参数

在 LangChain （Chain是指链式）中，invoke 是 LangChain 中最基础的同步调用入口，是 Runnable 协议的核心同步调用方法。它常见用法既可拼接模板，又可调用模型，起了"链"的作用。

【语法格式】： invoke(input, config=None)‌

（1） input‌ 的格式由组件决定。
（2） config‌ 用于高级控制：追踪、标签、回调、超时等。
（3） 在构建Chain（链）时，invoke 会自动处理组件间的数据流转（如 Prompt 的输出自动传给 Model）。
（4） 对于生产级应用，且需要异步和流式输出，则考虑使用 ainvoke、stream 等方法。

【核心参数】

|-------------|--------------------|--------|----------|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 参数 | 类型 | 必填 | 默认值 | 详细说明 |
| input‌ | Any | 是‌ | | (1)输入数据‌。具体格式取决于调用该方法的组件类型。 (2)Prompt‌: 通常为字典 dict，键对应模板变量。 (3)Model‌: 可以是字符串 str、消息列表 ListBaseMessage 或 PromptValue。 (4)Retriever‌: 通常为查询字符串 str。 (5)Chain‌: 取决于链条第一个组件的要求。 |
| config‌ | RunnableConfig | 否 | None | 运行时配置对象‌，用于控制执行行为。 |

【注意‌】

（1） input 是位置参数，必须提供。
（2） config 是关键字参数，通常用于高级场景。在简单脚本中常省略。

2. 【不同组件的 invoke 用法与输入输出规范】

【高级用法：input 参数详解】
LangChain 的核心优势在于统一接口，但不同组件对 input 的解释和返回结果不同。

（1） 提示词模板 (PromptTemplate / ChatPromptTemplate)

功能‌：将动态变量填充到静态模板中，生成最终的结构化提示。
Input (input)‌：‌字典 (dict)‌。键 (Key) 必须与模板中的占位符变量名完全一致。
Output‌：‌PromptValue 对象‌。
ChatPromptTemplate 返回 ChatPromptValue（包含消息列表）。
PromptTemplate 返回 StringPromptValue（包含字符串）。

（2） 聊天模型 (ChatModel, 如 ChatOpenAI, ChatTongyi)

功能‌：接收提示并生成 AI 回复。
Input (input)‌：‌灵活支持多种类型‌。
ListBaseMessage: 标准消息列表（推荐）。
str: 单个字符串（会自动包裹为 HumanMessage）。
PromptValue: 由 Prompt 模板 invoke 生成的对象（推荐链式调用时使用）。
Output‌：‌AIMessage 对象‌。

主要内容包括 content (文本)、tool_calls (工具调用信息) 等。

（3） 传统语言模型 (LLM, 如 OpenAI legacy)

功能‌：接收提示并生成纯文本字符串。
Input (input)‌：字符串 str、消息列表或 PromptValue。
Output‌：‌字符串 (str)‌。直接返回生成的文本，不包含消息对象结构。

（4） 输出解析器 (OutputParser)

功能‌：将模型的原始输出转换为结构化数据。
Input (input)‌：‌BaseMessage 或 str‌。
通常是前一步 Model 的输出。
Output‌：‌取决于解析器类型‌。
StrOutputParser: 返回 str。
JsonOutputParser: 返回 dict 或 list。
PydanticOutputParser: 返回 Pydantic 模型实例。

（5） 检索器 (Retriever)

功能‌：根据查询字符串从向量数据库或其他源检索文档。
Input (input)‌：‌字符串 (str)‌。即用户的查询问题。
Output‌：‌ListDocument‌。
文档列表，每个文档包含 page_content 和 metadata。

【高级用法：Config 参数详解】

config 参数虽然可选，但在生产环境中非常重要。它允许你在不修改代码逻辑的情况下改变运行行为。

【示例说明】

python 复制代码 
from langchain_core.runnables import RunnableConfig

config = RunnableConfig(
    tags=["production", "math-bot"],       # 添加标签，便于在 LangSmith 中过滤
    metadata={"user_id": "12345"},         # 添加元数据，关联用户信息
    run_name="MathExplanationChain",       # 自定义运行名称
    callbacks=[my_custom_handler],         # 自定义回调处理器
    max_concurrency=5                      # 限制并发数
)

# 在 invoke 中传入 config
response = chain.invoke({"question": "1+1=?"}, config=config)

常见应用场景：‌
追踪与调试 (LangSmith)‌：通过 tags 和 run_name 区分不同环境或功能的调用，便于后续分析成本和质量。
超时控制‌：防止某个步骤卡死整个应用。
回调监控‌：记录 Token 消耗、响应时间等指标。

二、【提示语模板：PromptTemplat】

1. 【安装Python 及调用大模型的 Langchain 包】

（1）安装 Python3.12 或 以上版本

（2）在虚拟环境终端安装包 或 在CMD环境安装包（全局可用）

安装 【angchain-community】包来调用大模型（不推荐）

pip install langchain==0.3.30

pip install "langchain-community==0.3.27" #【因包里面有"-"这符号，所以包名要加冒号。】
pip install dashscope==1.27.4 # 【用通义大模型(LLM)时须安装。】

bash 复制代码 
pip install langchain==0.3.30
pip install "langchain-community==0.3.27"
pip install dashscope==1.27.4

或 安装 【langchain-openai】包来调用大模型**（强烈推荐，无特别说明后面示例都用此法）**

pip install langchain==1.4.0

pip install langchain-openai==1.6.1

bash 复制代码 
pip install langchain==1.4.0
pip install langchain-openai==1.6.1

【强调】：无特别说明后面示例代码都是在：Windows10\11平台、

Python3.12或以上、langchain==1.4.0、langchain-openai==1.6.1环境中运行。

2.【LangChain 关键对象--提示词模板】
(1)LangChain 的提示词模板引擎（Prompt Template Engine）是其核心组件之一，主要用于构建和管理与大语言模型（LLM）交互的提示词（Prompt）。
(2)它的作用是将用户的输入或 动态数据 结构化地嵌入到预定义的模板中，从而生成适合模型处理的提示词，提升模型输出的准确性和一致性。

3.【模板的核心价值】
(1) 标准化：确保提示结构一致性；

(2) 参数化：动态注入变量，提高复用性；

**(3) 可维护：集中管理提示逻辑。
4. 【提示模板分类】
(1)PromptTemplate：最基础的模板，用于将变量填入一个字符串模板中，生成给 LLM 的输入。
(2)ChatPromptTemplate：专为聊天模型设计，支持多轮对话结构，包含不同角色的消息。

# 组成：

# SystemMessagePromptTemplate： 设定系统角色（如"你是一个翻译助手"）

# HumanMessagePromptTemplate： 用户输入

# AIMessagePromptTemplate： AI 的历史回复（用于上下文）

# ChatMessagePromptTemplate： 通用角色消息（可自定义角色名

(3)FewShotPromptTemplate: 通过提供少量示例来引导模型行为，常用于提升模型在特定任务上的表现。**

5.【选择模板策略】

|--------------|---------------------------|---------------|---------------|
| Agent类型 | 推荐模板 | 关键特性 | 适用场景 |
| 任务型Agent | PromptTemplate | 结构固定，参数明确 | 数据提取、格式转换 |
| 对话型Agent | ChatPromptTemplate | 多轮对话，角色扮演 | 客服、角色扮演聊天 |
| 推理型Agent | FewShotPromptTemplate | 示例驱动，类比推理 | 逻辑推理、代码生成 |

三、【分步执行 与 链式执行（LCEL）】

LangChain 的发展史中经历了一次重要的编程范式变革：从早期基于 传统 Chain 类（如 LLMChain、SimpleSequentialChain、SequentialChain）分步调用的命令式写法，演进到 2023 年 8 月推出的 LCEL（LangChain Expression Language） 声明式链式写法。

1.【 PromptTemplate 模板 与 分步执行】：显式调用每个组件，自己管理数据流转

【PromptTemplate 模板写法1与format方式填充变量 --示例展示1（分步执行）】

示例里面有更详细的讲解和注释，且可直接复制运行。

python 复制代码 
# 从 langchain_openai 库导入 ChatOpenAI 类
# 这是 LangChain 对 OpenAI 兼容 API 的封装，提供了统一的聊天模型接口
# 它内部仍然依赖 openai 库来发送实际的 HTTP 请求
from langchain_core.prompts import PromptTemplate 
# 导入 os 模块，用于读取系统环境变量
from langchain_openai import ChatOpenAI
# 从 python-dotenv 库导入 load_dotenv 函数
# 该函数的作用是将项目根目录下 .env 文件中定义的键值对加载到系统环境变量中
import os
from dotenv import load_dotenv

# 加载 .env 文件中的环境变量
load_dotenv()

# 从环境变量中读取阿里云百炼平台的 API 地址
# os.getenv("ALI_URL") 会查找名为 "ALI_URL" 的环境变量，
# 如果找不到则返回 None。这里对应 .env 文件中配置的 base_url
url = os.getenv("ALI_URL")

# 从环境变量中读取 API 密钥
# 这是调用大模型接口时的身份认证凭证，
# 通常以 "sk-xxx" 格式存在，绝不能硬编码在代码中
key = os.getenv("API_KEY")

# 实例化 ChatOpenAI 对象，配置大语言模型的各项参数
llm = ChatOpenAI(
    # model：指定要使用的模型名称
    # 这里使用的是通义千问的 qwen3.8-max 模型
    model="qwen3.8-max",

    # base_url：指定 API 的基础地址
    # 因为通义千问兼容 OpenAI 的 API 格式，
    # 所以可以通过修改 base_url 将请求转发到阿里云的接口
    base_url=url,

    # api_key：传入 API 密钥，用于身份认证
    api_key=key,

    # temperature：控制模型输出的随机性/创造性
    # 取值范围通常为 0~2，值越大输出越随机多样，值越小输出越确定保守
    # 设为 1 表示使用默认的随机程度
    temperature=1,

    # streaming：是否开启流式输出
    # 设为 True 后，模型不会等全部生成完毕再返回，
    # 而是每生成一小段文本就立即推送一个 chunk，
    # 这是实现"打字机效果"（逐字显示）的前提条件
    streaming=True,

    # extra_body：向 API 请求体中注入额外的自定义参数
    # 这些参数会被直接附加到发送给模型的 HTTP 请求体中
    extra_body={
        # thinking：开启模型的"思考"能力（思维链推理）
        # {"type": "enabled"} 表示启用深度思考模式，
        # 模型在生成最终回答前会先进行内部推理
        "thinking": {"type": "enabled"},

        # search：开启联网搜索能力
        # {"type": "enabled"} 表示允许模型在回答时调用搜索引擎，
        # 获取最新的实时信息来辅助回答
        "search": {"type": "enabled"},
    },
)

# # 定义模板
template = '你是一个{role},请用{style}风格回答问题:{question}'                 
# # 创建对象构造模板时直接把参数写好。【input_variables 不是强约束参数，少写不影响后面。主要为了方便维护，要保持一致。】
prompt_template = PromptTemplate(template=template, input_variables=["role", "style", "question"])
# # 创建对象构造模板时用【from_template方法】也可实现与上述一模一样的功能
# prompt_template = PromptTemplate.from_template(template)

# # 填充变量【format】方式，传入类型为字符型的函数参数（参数名称与上面自定义动态变量名称一致）
filled_format = prompt_template.format(role='金融分析师', style='通俗易懂', question='今天A股市场的热点是什么？')
print("format填充的效果：", filled_format, "\n", "format填充的类型", type(filled_format))

# # 调用模型
response = llm.invoke(filled_format)  # 传递字符串而非对象
print("=====【format】方式填充的输出======", "\n", response.content)

【PromptTemplate 模板写法2与invoke方式填充变量--示例展示2（分步执行）】

示例里面有更详细的讲解和注释，且可直接复制运行。

python 复制代码 
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate 
import os
from dotenv import load_dotenv

# 加载 .env 文件中的环境变量
load_dotenv()

# 从环境变量中读取阿里云百炼平台的 API 地址
# os.getenv("ALI_URL") 会查找名为 "ALI_URL" 的环境变量，
# 如果找不到则返回 None。这里对应 .env 文件中配置的 base_url
url = os.getenv("ALI_URL")

# 从环境变量中读取 API 密钥
# 这是调用大模型接口时的身份认证凭证，
# 通常以 "sk-xxx" 格式存在，绝不能硬编码在代码中
key = os.getenv("API_KEY")

# 实例化 ChatOpenAI 对象，配置大语言模型的各项参数
llm = ChatOpenAI(
    # model：指定要使用的模型名称
    # 这里使用的是通义千问的 qwen3.8-max 模型
    model="qwen3.8-max",

    # base_url：指定 API 的基础地址
    # 因为通义千问兼容 OpenAI 的 API 格式，
    # 所以可以通过修改 base_url 将请求转发到阿里云的接口
    base_url=url,

    # api_key：传入 API 密钥，用于身份认证
    api_key=key,

    # temperature：控制模型输出的随机性/创造性
    # 取值范围通常为 0~2，值越大输出越随机多样，值越小输出越确定保守
    # 设为 1 表示使用默认的随机程度
    temperature=1,

    # streaming：是否开启流式输出
    # 设为 True 后，模型不会等全部生成完毕再返回，
    # 而是每生成一小段文本就立即推送一个 chunk，
    # 这是实现"打字机效果"（逐字显示）的前提条件
    streaming=True,

    # extra_body：向 API 请求体中注入额外的自定义参数
    # 这些参数会被直接附加到发送给模型的 HTTP 请求体中
    extra_body={
        # thinking：开启模型的"思考"能力（思维链推理）
        # {"type": "enabled"} 表示启用深度思考模式，
        # 模型在生成最终回答前会先进行内部推理
        "thinking": {"type": "enabled"},

        # search：开启联网搜索能力
        # {"type": "enabled"} 表示允许模型在回答时调用搜索引擎，
        # 获取最新的实时信息来辅助回答
        "search": {"type": "enabled"},
    },
)


# # 定义模板
template = '你是一个{role},请用{style}风格回答问题:{question}'                 
# # 创建对象构造模板时直接把参数写好。【input_variables 不是强约束参数，少写不影响后面。主要为了方便维护，要保持一致。】
prompt_template = PromptTemplate(template=template, input_variables=["role", "style", "question"])

# # 填充变量【invoke】方式，传类型为字典型（字典中的"键key"为自定义动态变量名称一致）
filled_invoke = prompt_template.invoke({'role': '金融分析师', 'style': '通俗易懂', 'question': '今天A股市场的热点是什么？'})
print("invoke填充的效果：", filled_invoke, "\n", "invoke填充的类型", type(filled_invoke))

# # 调用模型
response = llm.invoke(filled_invoke)  # 传递字符串而非对象
print("=====【invoke】方式填充的输出======", "\n", response.content)

【PromptTemplate 模板写法3--示例展示3（分步执行）】

示例里面有更详细的讲解和注释，且可直接复制运行。

python 复制代码 
# 从 langchain_openai 库导入 ChatOpenAI 类
# 这是 LangChain 对 OpenAI 兼容 API 的封装，提供了统一的聊天模型接口
# 它内部仍然依赖 openai 库来发送实际的 HTTP 请求
from langchain_core.prompts import PromptTemplate 
# 导入 os 模块，用于读取系统环境变量
from langchain_openai import ChatOpenAI
# 从 python-dotenv 库导入 load_dotenv 函数
# 该函数的作用是将项目根目录下 .env 文件中定义的键值对加载到系统环境变量中
import os
from dotenv import load_dotenv

# 执行加载操作，将 .env 文件中的变量（如 API_KEY）注入到当前进程的环境变量中
# 如果 .env 文件不存在或没有对应变量，后续 os.getenv() 将返回 None
load_dotenv()
# 从环境变量中安全地获取名为 "API_KEY" 的值
# 这种写法避免了在代码中硬编码密钥，是生产环境推荐的安全实践
key = os.getenv("API_KEY")
# 定义阿里云百炼平台提供的 OpenAI 兼容接口地址
# 通义千问系列模型通过这个端点对外提供服务
url = os.getenv("ALI_URL")

# 实例化 ChatOpenAI 对象，配置大语言模型的各项参数
llm = ChatOpenAI(
    # model：指定要使用的模型名称
    # 这里使用的是通义千问的 qwen3.8-max 模型
    model="qwen3.8-max",

    # base_url：指定 API 的基础地址
    # 因为通义千问兼容 OpenAI 的 API 格式，
    # 所以可以通过修改 base_url 将请求转发到阿里云的接口
    base_url=url,

    # api_key：传入 API 密钥，用于身份认证
    api_key=key,

    # temperature：控制模型输出的随机性/创造性
    # 取值范围通常为 0~2，值越大输出越随机多样，值越小输出越确定保守
    # 设为 1 表示使用默认的随机程度
    temperature=1,

    # streaming：是否开启流式输出
    # 设为 True 后，模型不会等全部生成完毕再返回，
    # 而是每生成一小段文本就立即推送一个 chunk，
    # 这是实现"打字机效果"（逐字显示）的前提条件
    streaming=True,

    # extra_body：向 API 请求体中注入额外的自定义参数
    # 这些参数会被直接附加到发送给模型的 HTTP 请求体中
    extra_body={
        # thinking：开启模型的"思考"能力（思维链推理）
        # {"type": "enabled"} 表示启用深度思考模式，
        # 模型在生成最终回答前会先进行内部推理
        "thinking": {"type": "enabled"},

        # search：开启联网搜索能力
        # {"type": "enabled"} 表示允许模型在回答时调用搜索引擎，
        # 获取最新的实时信息来辅助回答
        "search": {"type": "enabled"},
    },
)

# # 创建对象构造模板时直接把参数写好。
prompt_template = PromptTemplate(
    template = '你是一个{role},请用{style}风格回答问题:{question}', 
    input_variables = ["role", "style", "question"],
    partial_variables = {'role': '金融分析师', 'style': '通俗易懂'} # 字典类型，用于预设模板中部分 变量的固定值。这些变量在后续调用时 无需重复传入
    )
# # 创建对象构造模板时用【partial方法】也可实现与上述一模一样的功能
# prompt_template = PromptTemplate(
#     template = '你是一个{role},请用{style}风格回答问题:{question}', 
#     input_variables = ["role", "style", "question"],
#     )
# prompt = PromptTemplate.partial(role = '金融分析师', style = '通俗易懂')

# # 填充变量【format】方式，传入类型为字符型的函数参数（参数名称与上面自定义动态变量名称一致）
filled_format = prompt_template.format(question='今天A股市场的热点是什么？')
print("format填充的效果：", filled_format, "\n", "format填充的类型", type(filled_format))

# # 调用模型
response = llm.invoke(filled_format)  # 传递字符串而非对象
print("=====【format】方式填充的输出======", "\n", response.content)

【PromptTemplate 模板 与 分步执行--示例展示3】

示例里面有更详细的讲解和注释，且可直接复制运行。

python 复制代码 
# 从 langchain_openai 库导入 ChatOpenAI 类
# 这是 LangChain 对 OpenAI 兼容 API 的封装，提供了统一的聊天模型接口
# 它内部仍然依赖 openai 库来发送实际的 HTTP 请求
from langchain_core.prompts import PromptTemplate 
from langchain_openai import ChatOpenAI
# 导入 os 模块，用于读取系统环境变量
import re
# 从 python-dotenv 库导入 load_dotenv 函数
# 该函数的作用是将项目根目录下 .env 文件中定义的键值对加载到系统环境变量中
import os
from dotenv import load_dotenv

# 执行加载操作，将 .env 文件中的变量（如 API_KEY）注入到当前进程的环境变量中
# 如果 .env 文件不存在或没有对应变量，后续 os.getenv() 将返回 None
load_dotenv()
# 从环境变量中安全地获取名为 "API_KEY" 的值
# 这种写法避免了在代码中硬编码密钥，是生产环境推荐的安全实践
key = os.getenv("API_KEY")
# 定义阿里云百炼平台提供的 OpenAI 兼容接口地址
# 通义千问系列模型通过这个端点对外提供服务
url = os.getenv("ALI_URL")

# 实例化 ChatOpenAI 对象，配置大语言模型的各项参数
llm = ChatOpenAI(
    # model：指定要使用的模型名称
    # 这里使用的是通义千问的 qwen3.8-max 模型
    model="qwen3.8-max",

    # base_url：指定 API 的基础地址
    # 因为通义千问兼容 OpenAI 的 API 格式，
    # 所以可以通过修改 base_url 将请求转发到阿里云的接口
    base_url=url,

    # api_key：传入 API 密钥，用于身份认证
    api_key=key,

    # temperature：控制模型输出的随机性/创造性
    # 取值范围通常为 0~2，值越大输出越随机多样，值越小输出越确定保守
    # 设为 1 表示使用默认的随机程度
    temperature=1,

    # streaming：是否开启流式输出
    # 设为 True 后，模型不会等全部生成完毕再返回，
    # 而是每生成一小段文本就立即推送一个 chunk，
    # 这是实现"打字机效果"（逐字显示）的前提条件
    streaming=True,

    # extra_body：向 API 请求体中注入额外的自定义参数
    # 这些参数会被直接附加到发送给模型的 HTTP 请求体中
    extra_body={
        # thinking：开启模型的"思考"能力（思维链推理）
        # {"type": "enabled"} 表示启用深度思考模式，
        # 模型在生成最终回答前会先进行内部推理
        "thinking": {"type": "enabled"},

        # search：开启联网搜索能力
        # {"type": "enabled"} 表示允许模型在回答时调用搜索引擎，
        # 获取最新的实时信息来辅助回答
        "search": {"type": "enabled"},
    },
)

# # 定义模板
template = '''你是一个{role},请分析在A股上市的{share}最新{question},要求从以下维度进行分析：
        1.研发投入与创新(占25%权重):研发费用占比、专利数、新产品收入占比;
        2.未来增长潜力(占8%权重):产能扩张、新市场布局、战略投资、数字化转型;
        3.财务表现(占15%权重):营收、净利润、ROE、毛利率、净利率;
        4.负债与偿债(占5%权重):资产负债率、流动比率、利息保障倍数;
        5.行业地位与竞争力(占15%权重):市场份额、客户集中度、技术壁垒、品牌影响力;
        6.管理与治理(占10%权重):管理层稳定性、股权激励、董事会独立性;
        7.行业前景与政策(占10%权重):行业增长率、政策支持/限制、宏观环境;
        8.盈利质量(占5%权重):净利润现金含量、非经常性损益占比;
        9.国际化能力(占5%权重):海外营收、国际化程度;
        10.其它(占2%权重):风险因素、ESG表现;
        11.以上每项都是100分制;
        12.总综合评分计算方法：总综合评分=研发投入与创新得分*0.25 + 未来增长潜力得分*0.08 + 财务表现得分*0.15 + 负债与偿债得分*0.05 + 行业地位与竞争力得分*0.15 + 管理与治理得分*0.1 + 行业前景与政策*0.1 + 盈利质量得分*0.05 + 国际化能力得分*0.05 + 其它得分*0.02;
        13.把总综合用评分用【综合评分：XXX分】的方式输出。'''
# # 创建模板对象
prompt_template = PromptTemplate.from_template(template)

# # 填充变量【invoke】方式
filled_prompt1 = prompt_template.invoke({'role': '资深证券分析师', 'share': '股票名称', 'question': '财报'})

# # 调用模型
response1 = llm.invoke(filled_prompt1)  # 传递字符串而非对象
text = response1.content
print(text)
pattern = r"综合评分：(\d+\.?\d*)分"  # 匹配整数或小数
matches = re.findall(pattern, text)
print("匹配到的数字：", matches)

**2.【 PromptTemplate 模板 与 链式执行（LCEL）】
LCEL 是一种声明式语法，其设计基石是统一的 Runnable 接口。LangChain 中所有组件------提示模板、模型、输出解析器、检索器、工具、自定义函数------都实现了 Runnable 接口，因而都拥有统一的调用方法。**组件之间用 管道操作符 |（借鉴 Unix 管道思想）串联，前一个组件的输出自动作为后一个组件的输入。

【LCEL 的优势】

**（1）****语法简洁：****一行 prompt | llm | parser 即可表达完整数据流，取代了大段类实例化代码。
（2）****原生流式输出：****链可以边计算边把 token 推给下游，chain.stream() 开箱即用。
（3）****原生异步支持：****ainvoke/astream/abatch 直接可用，适合高并发。
（4）****自动并行执行：****RunnableParallel 让多分支任务并行运行，显著降低延迟。
（5）****统一接口、灵活路由：****所有组件调用方式一致，支持条件分支、动态逻辑、容错降级。
（6）**免费获得生产级特性：

自动接入 LangSmith 追踪调试；
回调系统（Callbacks）广播每一步执行，便于日志与 token 统计；
自动重试、with_fallbacks 降级；
部署为 API（LangServe）时无需改动代码。
可视化：chain.get_graph().print_ascii() 可图形化打印链结构。

【LCEL 的劣势】

**（1）****复杂控制流表达吃力：****LCEL 适合线性/分支/并行的 DAG 式流程，但面对循环、回溯、重试跳出、人工审批、多 Agent 协作等复杂状态机式控制流时仍力不从心------这正是官方推出 LangGraph（Graph是指图） 的原因；
（2）****调试细节：**传统的 set_verbose(True) 在 LCEL 中不再如预期工作，需改用回调处理器（如 ConsoleCallbackHandler）查看中间步骤。

**============================================================

最基础的 LCEL 链示例（Prompt → Model → Parser）

对应 LCEL 三个核心组件：提示模板 → 调用大模型 → 格式化输出

用 | 管道符将三个组件串联成一条完整的处理流水线

============================================================**

示例里面有更详细的讲解和注释，且可直接复制运行。

python 复制代码 
# ---------- 第一步：导入所需的库 ----------
# 从 langchain_openai 库导入 ChatOpenAI 类
from langchain_openai import ChatOpenAI
# # 新的导入方式
# from langchain_alibaba import ChatTongyi
# 从 langchain_core 导入聊天提示模板类
# ChatPromptTemplate 用于定义结构化的聊天提示，
# 支持 system / human / ai 等不同角色的消息模板
from langchain_core.prompts import PromptTemplate
# 从 langchain_core 导入字符串输出解析器
# StrOutputParser 的作用是将模型返回的原始消息对象（AIMessage）
# 提取为纯字符串，方便后续直接使用
from langchain_core.output_parsers import StrOutputParser
# 导入 os 模块，用于读取系统环境变量
import os
# 导入 python-dotenv 库的 load_dotenv 函数
# 它的作用是加载 .env 文件中的键值对到系统环境变量中，
# 避免在代码中硬编码 API 密钥等敏感信息
from dotenv import load_dotenv


# ---------- 第二步：加载环境变量，获取 API 密钥 ----------
# 执行加载操作，将 .env 文件中的变量（如 API_KEY）注入到当前进程的环境变量中
# 如果 .env 文件不存在或没有对应变量，后续 os.getenv() 将返回 None
load_dotenv()
# 从环境变量中安全地获取名为 "API_KEY" 的值
# 这种写法避免了在代码中硬编码密钥，是生产环境推荐的安全实践
key = os.getenv("API_KEY")
# 定义阿里云百炼平台提供的 OpenAI 兼容接口地址
# 通义千问系列模型通过这个端点对外提供服务
url = os.getenv("ALI_URL")

# ---------- 第三步：设置模型 ----------
# 实例化 ChatOpenAI 对象，配置大语言模型的各项参数
llm = ChatOpenAI(
    # model：指定要使用的模型名称
    # 这里使用的是通义千问的 qwen3.8-max 模型
    model="qwen3.8-max",

    # base_url：指定 API 的基础地址
    # 因为通义千问兼容 OpenAI 的 API 格式，
    # 所以可以通过修改 base_url 将请求转发到阿里云的接口
    base_url=url,

    # api_key：传入 API 密钥，用于身份认证
    api_key=key,

    # temperature：控制模型输出的随机性/创造性
    # 取值范围通常为 0~2，值越大输出越随机多样，值越小输出越确定保守
    # 设为 1 表示使用默认的随机程度
    temperature=1,

    # streaming：是否开启流式输出
    # 设为 True 后，模型不会等全部生成完毕再返回，
    # 而是每生成一小段文本就立即推送一个 chunk，
    # 这是实现"打字机效果"（逐字显示）的前提条件
    streaming=True,

    # extra_body：向 API 请求体中注入额外的自定义参数
    # 这些参数会被直接附加到发送给模型的 HTTP 请求体中
    extra_body={
        # thinking：开启模型的"思考"能力（思维链推理）
        # {"type": "enabled"} 表示启用深度思考模式，
        # 模型在生成最终回答前会先进行内部推理
        "thinking": {"type": "enabled"},

        # search：开启联网搜索能力
        # {"type": "enabled"} 表示允许模型在回答时调用搜索引擎，
        # 获取最新的实时信息来辅助回答
        "search": {"type": "enabled"},
    },
)

# ---------- 第四步：定义链的三个核心组件 ----------
# 【组件1】定义提示模板（Prompt）
# from_template 方法接收一个字符串模板，其中 {user_input} 是占位符变量
# 运行时，invoke 传入的字典 {"user_input": "人工智能"} 会自动替换该占位符
# 最终生成类似 "用一句话介绍人工智能" 的完整提示，发送给模型
prompt = PromptTemplate.from_template("用一句话介绍{user_input}")
# 填充变量【invoke】方式
# 输入 {"user_input": "人工智能"}将占位符替换，生成完整提示
filled_prompt = prompt.invoke({"user_input": "人工智能"})

# 【组件2】定义输出解析器（Parser）
# StrOutputParser 会将模型返回的 AIMessage 对象中的 content 字段提取出来
# 例如模型返回 AIMessage(content="人工智能是...") → 解析后得到纯字符串 "人工智能是..."
parser = StrOutputParser()

# ---------- 第五步：用管道符 | 将三个组件串联成链 ----------
# | 是 LCEL 的核心语法，等价于"把左边的输出作为右边的输入"
# 执行流程：
#     → prompt 生成完整提示
#     → llm 接收提示，调用通义千问 API 进行推理
#     → parser 提取模型返回的纯文本内容
#     → 最终返回一个字符串
chain = prompt | llm | parser

# ---------- 第六步：调用链并输出结果 ----------
# invoke() 是 LCEL 链的统一调用方法（同步、单条）
result = chain.invoke(filled_prompt)

# 打印最终结果（此时 result 已经是纯字符串）
print(result)
相关推荐
小兔崽子去哪了2 小时前
深度学习 2 / CNN 神经网络
后端·python
weixin_440730502 小时前
队列QUEUE介绍+类型示例（先进先出、后进先出、优先级高先出、双端进入、生产者+消费者线程）
python·线程·queue
这是程序猿2 小时前
Java线程池深度剖析：源码原理、核心参数、任务调度与生产调优实战
java·开发语言·python
Web3&Basketball2 小时前
ChatGPT 路由自证：跨客户端实测对照
python·大模型·agent·推理·推理优化
Patrick在香港2 小时前
Claude 工作提醒自动化：香港天文台四个接口三个「更新时间」，警告到期了却还在生效
python·api·claude·数据抓取·香港
用户8356290780512 小时前
Python 实现 Word 文档域的插入与管理
后端·python
quantdash_cc2 小时前
从数据采集到策略消费，股票日内行情管道应该怎么设计？
开发语言·python·数据分析·量化交易·股票数据·quantdash
程序员杰哥3 小时前
UI自动化测试：Jenkins配置
自动化测试·软件测试·python·测试工具·职场和发展·jenkins·测试用例
znnnk3 小时前
【AI应用】从 Prompt 到 Skill：AI 到底“会什么”？
ai·prompt·ai编程·ai应用·skill
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新03历年考研数学一、数学二、数学三真题试卷及答案PDF04蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接05GitHub 镜像站点062026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？07人工智能（AI）发展史：详细里程碑08【一等奖版】2026 国赛 A题 药材的烘干问题09ZCode 周末送额度活动开启：3 亿 Token 免费领取10Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费