LCEL - wangshengliang

LangChain Expression Language，是 LangChain 提供的一种声明式构建链式调用流程的方式。它允许开发者用 .pipe() 操作符将不同的模块（如提示模板、模型、解析器等）连接起来，形成一个完整的“链（Chain）”。

LCEL 的设计理念：

所有模块都实现统一接口：Runnable
任意模块之间都可以 .pipe() 链接组合
逻辑更清晰、组合更自由、调试也更友好

下面是一个快速上手示例：

import { ChatOllama } from '@langchain/ollama'
import { PromptTemplate } from '@langchain/core/prompts'
import { StringOutputParser } from '@langchain/core/output_parsers'

// 创建模块：提示词模块、模型模块、解析器模块

// 1. 创建提示词
const pt = PromptTemplate.fromTemplate('请严格使用中文解释:{question}')

// 2. 创建模型
const model = new ChatOllama({
  model: 'llama3',
  temperature: 0.7,
})

// 3. 创建一个解析器
const parser = new StringOutputParser()

// 4. 将上面的 3 个模块连接起来：pipe
// 相当于创建了一个链条
const chain = pt.pipe(model).pipe(parser)

// 5. 使用 chain 这个链条
const res = await chain.invoke({
  question: '什么是闭包',
})

console.log(res)

可以把 .pipe() 理解成模块之间的数据通道：

pt 接收原始输入，并生成提示文本
model 根据提示生成回答
parser 把模型响应格式化成字符串输出

从输入到输出，整个流程结构清晰、逻辑统一，而且每个环节都可以随时替换或插拔，非常适合真实项目开发。在 LCEL 中，所有组件都抽象为一种“可执行单元”，都实现了统一的 Runnable 接口，从而都都变成可以链式组合的模块。

核心方法#

1. invoke#

这是最常用的同步执行方式，该方法会执行整条链，返回完整结果。

import { ChatOllama } from '@langchain/ollama'
import { PromptTemplate } from '@langchain/core/prompts'
import { StringOutputParser } from '@langchain/core/output_parsers'

// 创建模块
const prompt = PromptTemplate.fromTemplate('请使用中文解释：{topic}')
const llm = new ChatOllama({ model: 'llama3', temperature: 0.7 })
const parser = new StringOutputParser()

// 构建链式流程
const chain = prompt.pipe(llm).pipe(parser)

// 执行链式调用
const result = await chain.invoke({ topic: '闭包（closure）是什么？' })

console.log('LLM 输出：', result)

2. pipe#

这是用于 组合模块 的方法，会将输出“接入”下一个模块，主要用于拼接模块构建 chain，比如：

Prompt -> 模型 -> 解析器

例如我们上面例子中的：

const chain = prompt.pipe(llm).pipe(parser)
// 你可以继续 pipe 更多环节，比如日志记录、后处理

本质上 .pipe() 会返回一个新的 Runnable，你可以链式无限拼接。换句话说，只要模块实现了 Runnable 接口，就可以进行相互拼接。

3. stream#

该方法用于获取流式结果，逐块返回 LLM 输出，适合实现 ChatGPT 风格对话输出。

import { ChatOllama } from '@langchain/ollama'
import { PromptTemplate } from '@langchain/core/prompts'
import { StringOutputParser } from '@langchain/core/output_parsers'

// 创建模块：提示词模块、模型模块、解析器模块

// 1. 创建提示词
const pt = PromptTemplate.fromTemplate('请严格使用中文解释:{question}')

// 2. 创建模型
const model = new ChatOllama({
  model: 'llama3',
  temperature: 0.7,
})

// 3. 创建一个解析器
const parser = new StringOutputParser()

// 4. 将上面的 3 个模块连接起来：pipe
// 相当于创建了一个链条
const chain = pt.pipe(model).pipe(parser)

// 5. 使用 chain 这个链条
const res = await chain.stream({
  question: '什么是闭包',
})

for await (const chunk of res) {
  process.stdout.write(chunk)
}

4. batch#

该方法用于同时处理多个输入，适合批量问答、摘要等场景，返回一个结果数组。

import { ChatOllama } from '@langchain/ollama'
import { PromptTemplate } from '@langchain/core/prompts'
import { StringOutputParser } from '@langchain/core/output_parsers'

// 创建模块：提示词模块、模型模块、解析器模块

// 1. 创建提示词
const pt = PromptTemplate.fromTemplate('请严格使用中文解释:{question}')

// 2. 创建模型
const model = new ChatOllama({
  model: 'llama3',
  temperature: 0.7,
})

// 3. 创建一个解析器
const parser = new StringOutputParser()

// 4. 将上面的 3 个模块连接起来：pipe
// 相当于创建了一个链条
const chain = pt.pipe(model).pipe(parser)

// 5. 多条输入
const inputs = [
  { question: '闭包' },
  { question: '原型链' },
  { question: '事件循环' },
]

const res = await chain.batch(inputs)

// console.log(res);
res.forEach((r, idx) => {
  console.log(`第${idx + 1}条结果：`, r)
})

🤔 这个时候，有的同学可能会想：能不能一边批量处理多个输入（batch），一边使用流式输出（stream）逐条显示结果？

很遗憾这是不行的，因为：

chain.batch() 和 chain.stream() 不是同一套返回范式，不能在一次调用里既 batch 又拿到 token 级别的流。

batch() 返回的是“多个完整结果”的 Promise<string[]>
stream() 返回的是“单输入的异步迭代器（token 流）

那有没有办法实现“批量 + 流式”呢？当然也可以，我们可以自己来控制并发。下节课介绍。