LangChain 的 LCEL 写法

根据 LangChain 官方文档，LCEL是LangChain Expression Language，用于把Runnable组件用声明式方式组合起来。官方文档把Runnable定义为 LangChain 的基础构件，支持invoke、batch、stream和组合；而 LCEL 就是把这些组件组合成可执行链的表达方式。(Mintlify)

你可以把 LCEL 理解成一句话：

用|、字典分支、assign()等语法，把 prompt、model、parser、retriever、lambda 等 Runnable 组件拼成一个链。(Mintlify)

1. 官方文档里的最基本 LCEL 写法

官方示例的顺序链是：

fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_openaiimportChatOpenAI prompt=ChatPromptTemplate.from_template("Tell me a joke about {topic}")model=ChatOpenAI()output_parser=StrOutputParser()chain=prompt|model|output_parser result=chain.invoke({"topic":"programming"})

这段写法在官方文档里对应的是RunnableSequence：前一个组件的输出，作为后一个组件的输入；|就是顺序组合的语法糖。官方也给了等价写法RunnableSequence(prompt, model, output_parser)。(Mintlify)

2. LCEL 的核心写法规则

顺序组合：a | b | c

这表示：

• a先执行
• a的输出传给b
• b的输出再传给c

在 LangChain 官方文档里，这叫RunnableSequence。最典型就是：

chain=prompt|model|output_parser

语义上就是：

输入->prompt->model->parser->输出

(Mintlify)

3. LCEL 不只是 prompt + model

官方文档强调：LangChain 的组件普遍都实现了Runnable协议，因此 LCEL 可以组合的不只是模型，还包括：

• prompt
• model
• output parser
• lambda/function 包装成的RunnableLambda
• 原样透传的RunnablePassthrough
• 并行分支RunnableParallel
• 条件路由RunnableBranch

这些都属于官方文档中的可组合 Runnable 类型。(Mintlify)

4. LCEL 的并行写法

官方文档给出的第二种基础组合方式是RunnableParallel。它会把同一个输入并发传给多个 Runnable，然后返回一个字典。(Mintlify)

官方示例：

fromlangchain_core.runnablesimportRunnableParallel,RunnableLambda chain=RunnableParallel(mul_2=RunnableLambda(lambdax:x*2),mul_5=RunnableLambda(lambdax:x*5),add_10=RunnableLambda(lambdax:x+10))result=chain.invoke(3)# {"mul_2": 6, "mul_5": 15, "add_10": 13}

而且官方还说明了，在 sequence 里直接写一个 dict，也会形成并行分支，例如：

chain=(RunnableLambda(lambdax:x+1)|{"mul_2":RunnableLambda(lambdax:x*2),"mul_5":RunnableLambda(lambdax:x*5),}|RunnableLambda(lambdax:x["mul_2"]+x["mul_5"]))

这就是 LCEL 很常见的“分叉再汇总”写法。(Mintlify)

5. LCEL 里常见的“透传 + 增补字段”写法

官方文档里一个很实用的模式是RunnablePassthrough.assign(...)。它的作用是：

• 先把原始输入保留下来
• 再新增一个由子链计算出来的字段

官方示例：

fromlangchain_core.runnablesimportRunnablePassthroughfromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_openaiimportChatOpenAI prompt=ChatPromptTemplate.from_template("Summarize: {text}")model=ChatOpenAI()chain=({"text":RunnablePassthrough()}|RunnablePassthrough.assign(summary=prompt|model|StrOutputParser()))result=chain.invoke("Long article text...")# {"text": "Long article text...", "summary": "Brief summary..."}

这类写法在 RAG、信息抽取、数据增强场景里很常见，因为你经常既想保留原始输入，又想附加模型产出的结果。(Mintlify)

6. 官方文档里的调用方式

LCEL 组合出来的链，本质上还是Runnable，所以它天然支持这些调用方式：

• invoke()：单次调用
• batch()：批量处理
• stream()：流式输出
• 对应异步版本：ainvoke()、abatch()、astream()

官方文档明确把这些列为 Runnable 的核心调用模式。(Mintlify)

例如：

result=chain.invoke({"topic":"programming"})

或者流式：

forchunkinmodel.stream("Tell me a story"):print(chunk.content,end="",flush=True)

这意味着：你用 LCEL 写出来的不是“静态配置”，而是一个统一接口的可执行对象。(Mintlify)

7. 一个更接近实际项目的 LCEL 认知方式

按官方文档的定义，LCEL 最重要的不是“写法酷”，而是它把链路变成了标准化的可组合执行单元。LangChain 官方也强调它提供了统一模型接口和组件化能力，方便你替换提供商、拼装应用。(LangChain 文档)

所以你可以这样理解：

chain=prompt|model|parser

不是简单的“管道语法”，而是：

• prompt负责把输入组织成模型可消费的提示
• model负责生成
• parser负责把模型输出变成你想要的数据形态
• 整个链再统一暴露invoke/batch/stream

8. LCEL 时最应该掌握的 3 个点

按官方文档，先掌握这三个就够用了：

第一层：顺序链

prompt|model|parser

第二层：并行分支

previous|{"a":chain_a,"b":chain_b}

第三层：保留输入并扩展字段

RunnablePassthrough.assign(...)

这三种已经覆盖大多数基础 LCEL 场景。(Mintlify)

9. LCEL 模板

fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParserfromlangchain_core.runnablesimportRunnablePassthroughfromlangchain_openaiimportChatOpenAI prompt=ChatPromptTemplate.from_template("请总结下面内容：{text}")model=ChatOpenAI()parser=StrOutputParser()chain=({"text":RunnablePassthrough()}|RunnablePassthrough.assign(summary=prompt|model|parser))result=chain.invoke("这是一段需要总结的文本")print(result["summary"])

这段不是官方原样复制，但完全符合官方文档给出的 LCEL 组合方式：RunnableSequence、RunnablePassthrough.assign()、StrOutputParser()。(Mintlify)

10.总结

根据官方文档，LCEL 就是 LangChain 用来组合 Runnable 的表达式语言；最核心的写法是：

• |表示顺序组合
• dict表示并行分支
• assign()表示在保留原输入的同时新增计算字段

最终得到的链仍然是一个Runnable，可以统一用invoke、batch、stream来执行。(Mintlify)