LangChain 无疑是一个绕不开的名字。而在 LangChain 的庞大生态体系里有一个概念正在悄然改变我们构建 LLM 应用的方式，那就是 LangChain 表达式语言。hen多开发者刚接触这个概念时可Neng会有些许困惑，甚至觉得它只是另一种语法糖。但说实话，当你真正深入理解它之后你会发现这简直是构建复杂 AI 流水线的一把“瑞士军刀”。

今天我们就来聊聊如何正确使用 LCEL，以及如何利用它那标志性的管道操作符，让你的代码不仅跑得快，而且写得优雅、读起来顺畅。别担心，我们不会只讲枯燥的理论，我会带你kankan那些在实际项目中真正Neng派上用场的技巧。

一、 核心思维转变：从“配置”到“组合”

在 LCEL 出现之前，Ru果你用过老版本的 LangChain，可Neng对 `LLMChain`、`SequentialChain` 这些类记忆犹新。那时候，我们geng像是在Zuo“配置”：定义一个对象，设置好它的属性，然后把它塞进另一个对象里。这种方式虽然直观，但一旦逻辑变得复杂，代码就会变得臃肿不堪，维护起来简直是噩梦。

LCEL 带来的是一种全新的设计哲学——函数式组合。它把所有的组件——无论是提示词模板、大模型，还是输出解析器——dou统一抽象成了同一个概念：Runnable。这意味着，它们dou遵循同一套接口标准，Ke以像搭积木一样随意拼接。

这种转变不仅仅是写法上的不同，geng是思维方式的升级。你不再是在管理一堆孤立的类，而是在设计一条清晰的数据流动的河流。

二、 魔法符号：管道操作符 | 的奥秘

说到 LCEL，就不得不提那个Zui直观、也Zui核心的符号——竖线 |。Ru果你有 Linux 命令行或者 RxJS 的使用经验，kan到这个符号一定会倍感亲切。它的作用非常简单却强大：将前一个组件的输出，直接作为后一个组件的输入。

让我们kan一个Zui基础的例子，一个经典的问答链：

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
# 1. 定义提示词模板
prompt = ChatPromptTemplate.from_template
# 2. 初始化模型
model = ChatOpenAI
# 3. 定义输出解析器
output_parser = StrOutputParser
# 4. 使用管道符串联
chain = prompt | model | output_parser
# 5. 调用
result = chain.invoke
print

在这行代码 prompt | model | output_parser 中，魔法正在发生。当你调用 chain.invoke 时数据就像水流过水管一样：

用户的输入 {"topic": "程序员"} 进入 prompt，被格式化成一条完整的消息。

这条消息随即被送入 model，大模型开始思考并生成回复。

模型原始的输出对象Zui后流经 output_parser，被提取成纯文本字符串。

原本需要手动传递参数、多步调用的繁琐流程，现在变成了一行干净利落的声明式代码。这就是 LCEL 的魅力所在。

三、 进阶玩法：并行处理与数据分流

管道操作符虽然好用，但Ru果只Neng一条路走到黑，那也未免太单调了。在实际业务中，我们经常需要同时处理多个任务，或者对输入数据进行分流。这时候，就需要请出 RunnableParallel 了。

想象一下你想让 AI 同时针对一个主题生成一个笑话和一首诗，然后把它们一起返回。Ru果不用并行，你可Neng得写两次调用，或者写复杂的异步逻辑。但在 LCEL 里这简直是小菜一碟：

from langchain_core.runnables import RunnableParallel
# 定义两个不同的提示词链
joke_prompt = ChatPromptTemplate.from_template
poem_prompt = ChatPromptTemplate.from_template
joke_chain = joke_prompt | model | StrOutputParser
poem_chain = poem_prompt | model | StrOutputParser
# 构建并行映射
map_chain = RunnableParallel
# 执行
result = map_chain.invoke
print
print

简直是无价之宝。

数据透传：RunnablePassthrough 的艺术

在构建管道时我们经常会遇到一个尴尬的情况：我想对输入的一部分数据进行处理，但又想把原始数据原封不动地传给后面的步骤。这时候，RunnablePassthrough 就派上用场了。

你Ke以把它想象成一根“透明管道”，数据流进去，什么也不Zuo，直接流出来。但这根管子非常关键，因为它保证了数据的完整性。比如我们想把输入的文本转换成大写，同时保留原文：

from langchain_core.runnables import RunnablePassthrough
chain = (
    {
        "original": RunnablePassthrough, 
        "upper": RunnablePassthrough | )
    }
)
chain.invoke
# 输出：{'original': 'hello', 'upper': 'HELLO'}

kan到没？RunnablePassthrough 让我们在处理数据的同时依然Neng“记住”Zui初的样子。这在 RAG系统中尤为重要，我们需要把用户的原始问题传给 Prompt，同时又要用这个问题去检索文档。

四、 实战演练：构建一个 RAG 检索链

光说不练假把式。让我们把刚才学到的知识点结合起来构建一个带检索功Neng的问答管道。这是目前Zui流行的 LLM 应用形态之一。

我们的数据流向是这样的： 1. 用户输入问题。 2. 系统根据问题去向量数据库检索相关文档。 3. 将检索到的文档内容和原始问题组合成一个新的 Prompt。 4. 把 Prompt 发送给大模型生成答案。

用 LCEL 写出来是这样的：

from langchain_community.vectorstores import FAISS
from langchain_core.runnables import RunnablePassthrough
# 假设 vectorstore Yi经加载好了
retriever = vectorstore.as_retriever
def format_docs:
    return "

".join
# 检索并拼接文档的子链
context_chain = retriever | format_docs
# 完整的主链
full_chain = (
    {
        "context": context_chain, 
        "question": RunnablePassthrough
    }
    | prompt
    | model
    | StrOutputParser
)
# 运行
answer = full_chain.invoke
print

请注意这里的 RunnablePassthrough。它被放在了 "question" 键的位置上。这意味着，当用户的问题进入管道时它一方面被送入 context_chain 去检索文档，另一方面又通过 RunnablePassthrough 毫发无损地流入了Zui终的 Prompt 模板中。这种对数据流的精细控制，正是 LCEL 让人爱不释手的原因。

五、 注入灵魂：自定义逻辑与参数绑定

虽然 LangChain 提供了hen多内置组件，但业务逻辑总是千奇百怪的。有时候，我们需要在管道中间插入一段自己的 Python 代码。这时候，RunnableLambda 就登场了。

它Ke以把任意一个 Python 函数包装成一个 Runnable，从而无缝接入管道。比如我想在模型输出后自动加个感叹号：

from langchain_core.runnables import RunnableLambda
def add_exclamation -> str:
    return text + "!"
chain = (
    prompt | model | StrOutputParser
    | RunnableLambda
    | )
)

这里无论是显式定义的 add_exclamation 函数，还是直接写的 lambda 表达式，LCEL dou会自动处理它们，让它们成为管道中的一部分。不过为了代码的可读性和后续的调试方便，建议对于复杂的逻辑，还是使用命名函数并通过 RunnableLambda 包装。

除了自定义逻辑，我们还经常需要动态调整模型的参数。比如在某个步骤中需要降低温度让输出geng严谨，或者在另一个步骤中需要绑定特定的工具。LCEL 允许我们直接在管道中使用 .bind 方法，而不需要重新定义模型对象。

# 基础模型
base_model = ChatOpenAI
# 绑定特定参数
model_low_temp = base_model.bind
# 绑定工具
model_with_tools = base_model.bind
chain = prompt | model_low_temp | StrOutputParser

这种方式让我们Ke以在一条长链中灵活地切换配置，既保持了代码的整洁，又拥有了极高的灵活性。

六、 体验升级：流式输出与调试

对于大模型应用来说用户体验至关重要。Ru果用户问了一个问题，盯着屏幕kan了三十秒才蹦出一大段文字，那体验肯定好不到哪去。LCEL 原生支持流式输出，而且实现起来异常简单。

因为管道构建出来的 chain 对象本身就是一个 Runnable，它完整继承了所有运行接口，包括 stream

for chunk in chain.stream:
    print

这行代码会让模型生成的文字像打字机一样一个字一个字地蹦出来极大地缓解了用户的等待焦虑。而要实现同样的效果，你可Neng得写一堆复杂的回调或者适配代码。

七、 ：拥抱优雅的管道

从面向对象的“配置式”到函数式的“组合式”，LangChain 的这次升级不仅仅是 API 的变化，geng是对 AI 应用开发本质的一次深刻洞察。LCEL 通过管道操作符 | 和统一的 Runnable 协议，把复杂的 LLM 应用开发变成了一种享受。

当你开始习惯用 prompt | model | parser 的思维去思考问题，你会发现原本杂乱无章的代码逻辑变得清晰可见。数据在管道中流动，每一步dou各司其职，既不越界也不缺位。这不仅是代码的胜利，geng是逻辑的胜利。

所以别再犹豫了。打开你的编辑器，试着把你手头的旧代码重构一下用 LCEL 的方式重新连接它们。相信我，当你kan到那条干净、优雅的管道第一次顺畅运行时你一定会爱上这种感觉。毕竟Neng有一套如此确定且优雅的工具，何尝不是一种幸运呢？

---