AI人工智能 大模型开发实战出真知系列：简单了解LangChain Expression Language-实战篇_ai 算法模型 开发

图片

LangChain Expression Language（LCEL）是LangChain框架中一种强大和灵活的语言，用于描述和构建复杂的链式调用。它允许开发人员以声明式的方式定义数据的转换和流程，并与LangChain的其他组件无缝集成。本文将对其设计理念进行介绍，并做简单的代码实战。

图片

图片

设计来源及语法

前文提到，使用LangChain Expression Language主要有两个目的：统一的接口和组合原语。如果有过任务调度引擎，大数据，规则引擎等开发经验的同学应该马上可以抽象出来核心其实就是DAG(有向无环的模式)。LangChain Expression Language就是LangChain框架中一种强大而灵活的领域特定语言(DSL)，用于描述和构建复杂的链式调用。下面看其标准流程：

将用户所需传递给模型的参数设计好，如：用户输入传递为 {"topic": "赛博"}

通过RunnablePassthrough函数获取用户输入传递给prompt模版，然后在使用构造提示prompt后将其用于构造 PromptValue，以给大模型输入

model组件采用生成的PromptValue提示，并传递到 OpenAI LLM 模型进行评估。模型生成的输出是一个ChatMessage对象。

output_parser组件接收 aChatMessage并将其转换为 Python 字符串的结果，从 invoke 方法返回。

示意图如下：

图片

图片

图片

本文基础环境为anacoda，使用notebook进行示例：

首先，pip安装相关的包：

然后配置环境变量，这里以OpenAI的gpt3.5为例：

import库，进行相关包的导入：

核心逻辑如下：

运行结果如下：

图片

由于有读者国内无法访问OpenAI接口的问题，这里也给出了平替的解决方案，就是国产大模型GLM，智谱AI于24年1月16日发布的GLM-4，增强了工具(tool)调用能力，API接口方式与OpenAI几乎完全相同，推理能力在GPT3.5和GPT-4之间。如果有不会申请智谱AI的接口的读者，也可以后台私信詹特曼，后台进行解答。

同样，获取到了智谱AI开放平台的API后先在notebook设置环境变量：

由于LangChain的community集成了大语言模型的接口其实并没有随模型及时更新，所以关于智谱平台的API_KEY客户端的鉴权我们需要自己手动实现，要先倒入依赖包：

这里要自己实现根据API_KEY生成客户端令牌(要不是翻了zhipu库的源码，也不会料想是这样，也是自己没详细看智谱的API文档)：

智谱AI的GLM模型核心代码如上，运行结果如下：

图片

当然，如果您对任何组件的输出感到好奇，您始终可以测试链的较小版本，例如prompt或 prompt | model查看中间结果都是可以的，因为，上述四个标准化流程都是有runble方法可以通过invoke进行调用的，如下：

prompt调用invoke：

图片

model通过prompt返回参数调用invoke：

图片

当然这里有两种方式，更地道一点为：

图片

综上所述，首先带大家回顾了LangChain Expression Language的设计目的和相关设计思想理念。随后通过对LangChain大模型开发交互的基本流程进行介绍，主要是设计用户输入，Prompt渲染，模型处理，输出格式化。最后进行了简单的编码实战。

图片

图片

LangChain源码阅读感悟

图片

图片