大模型 LangChain 开发框架：Runable 与 LCEL 初探

大模型 LangChain 开发框架：Runable 与 LCEL 初探

一、引言

在大模型开发领域，LangChain 作为一款强大的开发框架，为开发者提供了丰富的工具和功能。其中，Runnable 接口和 LangChain 表达式语言（LCEL）是构建高效、灵活应用程序的关键要素。本文将初步探讨 Runnable 和 LCEL 的概念、功能以及如何在实际应用中运用它们来构建简单的工作流程。
（https://python.langchain.com/docs/how_to/lcel_cheatsheet/#invoke-a-runnable）参考LangChain 表达语言速查表
在这里插入图片描述

二、Runnable 接口详解

（一）接口定义与功能概述

Runnable 接口是 LangChain 众多组件以及 LangChain 表达语言构建的基础抽象。它定义了一系列标准方法，使得 Runnable 组件具备多种强大的功能：

  1. invoke 方法：该方法能够将单个输入转换为相应的输出，是实现基本功能的核心。例如，在一个简单的文本处理任务中，输入一段文本，通过 invoke 方法可以得到处理后的结果，如文本分类、摘要生成等。
  2. batched 方法：支持多个输入高效地转换为输出。这在处理批量数据时非常有用，能够显著提高处理效率。比如，同时对多篇文档进行关键词提取，使用 batched 方法可以一次性处理多个文档，减少处理时间。
  3. steramed 方法：实现输出在生成时以流式传输形式进行。在处理大文本或实时数据时，流式传输可以让用户及时获取部分结果，提升用户体验。例如，在实时翻译场景中，随着源文本的输入，翻译结果可以逐句或逐段地流式输出。
  4. Inspected 方法：提供了访问有关 Runnable 的输入、输出和配置的示意图信息的能力。这有助于开发者在调试和优化过程中深入了解组件的运行情况，快速定位问题。
  5. Composed 方法：允许组合多个 Runnable，通过 LangChain 表达语言（LCEL）协同工作，从而创建复杂的管道。这是构建复杂应用程序的关键特性，能够将多个简单的组件组合成一个强大的系统。

（二）接口的重要性与应用场景

Runnable 接口的标准化使得不同的 LangChain 组件能够相互协作，实现更高级的功能。在自然语言处理任务中，如文档处理、问答系统、机器翻译等，都可以利用 Runnable 接口构建高效的处理流程。例如，在构建一个智能客服系统时，可以将语音识别、文本处理、意图识别、回答生成等多个 Runnable 组件组合起来，实现从用户提问到回答的完整流程。

三、LangChain 表达式语言（LCEL）解析

（一）LCEL 的概念与语法

LangChain 表达式语言（LCEL）是一种用于编排 LangChain 组件的语法。它提供了一种声明式的方法来组合 Runnable 组件，使得构建复杂的工作流程变得更加简单和直观。LCEL 的主要组合原语包括 RunnableSequence 和 RunnableParallel。

（二）RunnableSequence 的使用

RunnableSequence 用于按顺序调用一系列 Runnable，其中一个 Runnable 的输出作为下一个 Runnable 的输入。可以使用 “|” 运算符或将 Runnable 列表传递给 RunnableSequence 来构造。例如，在一个文档处理流程中，首先进行文本加载（loader_pdf），然后进行文本分割（text_splitter），接着进行向量化（embedding），最后进行存储（save），这些步骤可以通过 RunnableSequence 依次连接起来，形成一个完整的文档预处理管道。

（三）RunnableParallel 的使用

RunnableParallel 则同时调用可运行程序，为每个程序提供相同的输入。可以使用序列中的字典文字或通过将字典传递给 RunnableParallel 来构造它。例如，在一个搜索和翻译的应用中，同时进行文档搜索（search）和将搜索结果翻译为英文（translateToEnglish）的操作，这两个任务可以通过 RunnableParallel 并行执行，提高处理效率。

（四）LCEL 的优势与适用场景

LCEL 的优势在于它能够以优化的方式处理链的运行时执行，自动获得同步、异步、批处理和流式支持。对于简单的应用程序，LCEL 是一个理想的选择，能够快速构建起有效的工作流程。例如，在构建一个小型的文档搜索和翻译工具时，使用 LCEL 可以方便地组合各个组件，实现基本功能。

四、案例分析：PDF 内容搜索结果后翻译为英文

（一）需求分析

本案例旨在实现对 PDF 文档的内容搜索，并将搜索到的中文内容翻译为英文。具体步骤包括加载 PDF 文件、分词、向量化存储、问题查询、获取相似答案并进行翻译。

（二）代码实现与详细解释

  1. 组件导入与模型初始化
from langchain_community.embeddings import VolcanoEmbeddings, FastEmbedEmbeddings
from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_core.runnables import RunnableLambda, RunnableParallel
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplatemodel = ChatOpenAI(model="deepseek-chat",api_key='<api-key>',base_url='https://api.deepseek.com'
)

这里导入了所需的各种组件，包括用于加载 PDF 的PyPDFLoader、文本分割器RecursiveCharacterTextSplitter、向量化工具FastEmbedEmbeddings、内存向量存储InMemoryVectorStore、Runnable 相关的类和函数、消息类、ChatOpenAI 模型以及提示模板类。同时，初始化了 ChatOpenAI 模型，指定了模型名称、API 密钥和基础 URL。

  1. 函数定义
def save(embeddings):vector_store = InMemoryVectorStore(embeddings)vector_store.add_documents(documents=splits)return vector_storedef embedding(all_splits):global splitsfastembed = FastEmbedEmbeddings()for split in all_splits:v = fastembed.embed_query(split.page_content)splits = all_splitsreturn fastembeddef text_splitter(docs):text_splitter = RecursiveCharacterTextSplitter(chunk_size=50, chunk_overlap=10, add_start_index=True)all_splits = text_splitter.split_documents(docs)return all_splitsdef loader_pdf(file_path):loader = PyPDFLoader(file_path)docs = loader.load()return docsdef search(store, query):results = store.similarity_search_with_score(query)document_obj, score = results[0]return document_obj.page_contentdef translateToEnglish(store, query):content = search(store, query)system_template = "你是一名资深的翻译大师，把中文翻译为{language}"prompt_template = ChatPromptTemplate.from_messages([("system", system_template), ("user", "{text}")])prompt = prompt_template.invoke({"language": "英文", "text": content})return model.invoke(prompt)
  • save函数：用于将向量化后的文档存储到内存向量存储中。它接受向量化结果作为输入，创建一个InMemoryVectorStore对象，并将文档添加到其中，最后返回存储对象。
  • embedding函数：负责对文档进行向量化处理。它使用FastEmbedEmbeddings对文档的每个片段进行向量化，并将结果存储在全局变量splits中，最后返回向量化工具对象。
  • text_splitter函数：将加载后的文档进行文本分割。使用RecursiveCharacterTextSplitter按照指定的块大小、重叠量和是否添加起始索引进行分割，返回分割后的文档片段列表。
  • loader_pdf函数：实现加载 PDF 文件的功能。通过PyPDFLoader加载指定路径的 PDF 文件，并返回加载后的文档对象。
  • search函数：在向量存储中进行相似性搜索。根据输入的查询，在向量存储中查找最相似的文档，并返回文档的内容。
  • translateToEnglish函数：将搜索到的中文内容翻译为英文。它首先调用search函数获取中文内容，然后根据给定的系统模板和用户输入构建提示模板，通过模型进行翻译，并返回翻译结果。
  1. 链的构建与执行
if __name__ == '__main__':q = "docker的配置？"file_path = "./ragflow文档.pdf"chain = (RunnableLambda(loader_pdf) | RunnableLambda(text_splitter) | RunnableLambda(embedding) | RunnableLambda(save) |RunnableParallel(first=RunnableLambda(search).bind(query=q), second=RunnableLambda(translateToEnglish).bind(query=q)))chain.get_graph().print_ascii()  # 流程图result = chain.invoke(file_path)print(q)print(result['first'])print(result['second'].content)

在主函数中，首先定义了查询问题q和 PDF 文件路径file_path。然后，使用 RunnableLambda 和 RunnableParallel 构建了一个复杂的链。通过|运算符将loader_pdf、text_splitter、embedding和save按顺序连接起来，形成文档预处理的序列。接着，使用RunnableParallel并行执行search和translateToEnglish操作，并将查询问题q绑定到这两个操作上。最后，通过chain.invoke方法执行整个链，传入 PDF 文件路径作为输入，并获取结果。打印出查询问题、搜索到的文档内容以及翻译后的英文内容。

流程图示：

      +------------------+        | loader_pdf_input |        +------------------+        *                 *                 *                 +------------+           | loader_pdf |           +------------+           *                 *                 *                 +---------------+         | text_splitter |         +---------------+         *                 *                 *                 +-----------+           | embedding |           +-----------+           *                 *                 *                 +------+              | save |              +------+              *                 *                 *                 
+-----------------------------+   
| Parallel<first,second>Input |   
+-----------------------------+   *         *            **           **          *               *         +--------+        +------------+ | search |        | ChatOpenAI | +--------+        +------------+ *         *            **     **             *   *               
+------------------------------+  
| Parallel<first,second>Output |  
+------------------------------+

结果：

docker的配置？
根据官方文档启动后，访问主页   http://127.0.0.1
After starting according to the official documentation, access the homepage at http://127.0.0.1

五、LCEL 的指导原则与应用建议

（一）不同场景下的选择策略

  1. 单个 LLM 调用：如果仅进行单个大语言模型（LLM）调用，不需要使用 LCEL，直接调用底层聊天模型即可。这种情况下，使用 LCEL 会增加不必要的复杂性。
  2. 简单链构建：当有一个简单的链，如提示 + LLM + 解析器或简单的检索设置等，并且希望利用 LCEL 的优势，如自动获得多种执行方式的支持，那么 LCEL 是一个合理的选择。它可以快速构建起有效的工作流程，提高开发效率。
  3. 复杂链构建：对于构建复杂的链，如具有分支、循环、多个代理等情况，建议使用 LangGraph。LangGraph 能够更好地处理复杂的编排逻辑，提供更强大的状态管理和流程控制能力。同时，在 LangGraph 的各个节点内仍然可以使用 LCEL 来处理具体的任务。

（二）实际应用中的注意事项

  1. 组件兼容性：在组合 Runnable 组件时，要确保各个组件之间的兼容性。例如，输入和输出的数据类型要匹配，否则可能导致链的执行失败。
  2. 资源管理：注意资源的使用情况，特别是在处理大规模数据或长时间运行的任务时。合理配置模型参数、向量存储大小等资源，避免资源耗尽或性能下降。
  3. 可维护性：编写清晰、可读的代码，合理命名变量和函数，添加必要的注释，以便于后续的维护和扩展。特别是在构建复杂的链时，良好的代码结构和注释能够大大降低维护成本。

六、总结

本文介绍了 LangChain 开发框架中的 Runnable 接口和 LangChain 表达式语言（LCEL）。通过对 Runnable 接口功能的深入剖析以及对 LCEL 语法和组合原语的详细解释，结合 PDF 内容搜索与翻译的案例分析，展示了如何在实际应用中运用这些特性构建复杂的工作流程。同时，提供了 LCEL 的指导原则和应用建议，帮助开发者在不同场景下选择合适的工具和方法，提高大模型应用程序的开发效率和质量。在未来的开发中，开发者可以根据具体需求灵活运用 Runnable 和 LCEL，构建出更加强大、高效的大模型应用程序。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/891602.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

力扣28找出字符串中第一个匹配项的下标

力扣28找出字符串中第一个匹配项的下标

class Solution:def strStr(self, haystack: str, needle: str) -> int:# 特殊情况处理if not needle:return 0# 获取 haystack 和 needle 的长度a len(needle)b len(haystack)# 遍历 haystack&#xff0c;检查每个子字符串是否与 needle 匹配for i in range(b - a 1):if…
阅读更多...
基于微信小程序的自修室预约系统

基于微信小程序的自修室预约系统

目录 一、前言 二、技术介绍 三、系统实现 四、核心代码 五、源码获取 全栈码农以及毕业设计实战开发&#xff0c;CSDN平台Java领域新星创作者&#xff0c;专注于大学生项目实战开发、讲解和毕业答疑辅导。 一、前言 在知识爆炸的时代&#xff0c;自修室成为了众多学习者…
阅读更多...
Spring 核心技术解析【纯干货版】- IV：Spring 切面编程模块 Spring-Aop 模块精讲

Spring 核心技术解析【纯干货版】- IV：Spring 切面编程模块 Spring-Aop 模块精讲

随着软件开发技术的不断进步&#xff0c;面向切面编程&#xff08;AOP&#xff09;作为一种重要的编程思想&#xff0c;已经在现代开发中占据了重要地位。它通过将横切逻辑从业务逻辑中分离出来&#xff0c;使得代码更加清晰、易于维护。Spring AOP 作为 Spring 框架的核心模块…
阅读更多...
计算机网络期末复习（含选择题、判断题、简答题、判断题）

计算机网络期末复习（含选择题、判断题、简答题、判断题）

&#x1f4e2;&#x1f4e2;&#x1f4e2;传送门 一、选择题二、判断题三、简答题目1.问&#xff1a;常用的信道复用技术包括哪几种?简述它们的基本工作原理2.问&#xff1a;请分别列举OSI参考模型和TCP/IP参考模型的层次结构3.问&#xff1a;请描述交换机的基本功能。用它怎样…
阅读更多...
MySQL - 函数

MySQL - 函数

一 . 函数定义&#xff1a; 函数 是指一段可以直接被另一段程序调用的程序或代码。 ---> 说明这些函数已经被mysql内置了 MySQL中的函数主要分为以下四类&#xff1a; 字符串函数、数值函数、日期函数、流程函数。 二 . 字符串函数 MySQL中内置了很多字符串函数&#xff0c…
阅读更多...
UniApp 原生插件开发指南

UniApp 原生插件开发指南

一、UniApp 原生插件开发引言 在当今的移动应用开发领域&#xff0c;跨平台开发已成为主流趋势&#xff0c;而 UniApp 作为一款强大的跨平台开发框架&#xff0c;备受开发者青睐。它凭借 “一套代码&#xff0c;多端运行” 的特性&#xff0c;极大地提高了开发效率&#xff0c…
阅读更多...
Java高频面试之SE-08

Java高频面试之SE-08

hello啊&#xff0c;各位观众姥爷们&#xff01;&#xff01;&#xff01;本牛马baby今天又来了&#xff01;哈哈哈哈哈嗝&#x1f436; 成员变量和局部变量的区别有哪些&#xff1f; 在 Java 中&#xff0c;成员变量和局部变量是两种不同类型的变量&#xff0c;它们在作用域…
阅读更多...
计算机网络 （15）宽带接入技术

计算机网络 （15）宽带接入技术

前言 计算机网络宽带接入技术是指通过高速、大容量的通信信道或网络&#xff0c;实现用户与互联网或其他通信网络之间的高速连接。 一、宽带接入技术的定义与特点 定义&#xff1a;宽带接入技术是指能够传输大量数据的通信信道或网络&#xff0c;其传输速度通常较高&#xff0c…
阅读更多...
2453.学习周刊-2024年53周

2453.学习周刊-2024年53周

封面 不要站在问题一边打败孩子&#xff0c;而是站在孩子一边打败问题&#xff0c;多从孩子的角度思考问题&#xff0c;帮助孩子一起解决问题 ✍优秀博文 SQL中历史数据处理实践指南新领导上任了&#xff0c;老员工该如何适应&#xff1f;主动接纳还是我行我素&#xff1f; ✍…
阅读更多...
回归预测 | MATLAB实现CNN-SVM多输入单输出回归预测

回归预测 | MATLAB实现CNN-SVM多输入单输出回归预测

回归预测 | MATLAB实现CNN-SVM多输入单输出回归预测 目录 回归预测 | MATLAB实现CNN-SVM多输入单输出回归预测预测效果基本介绍模型架构程序设计参考资料 预测效果 基本介绍 CNN-SVM多输入单输出回归预测是一种结合卷积神经网络&#xff08;CNN&#xff09;和支持向量机&#…
阅读更多...
2025寒假集训总课表

2025寒假集训总课表

各位家长&#xff0c;各位同学&#xff0c;新年好&#xff01; 过去的2024有缘认识&#xff0c;一起学习&#xff0c;算是比较成功的一年。大家跟着我们的团队进行了约一年的培训&#xff0c;很有收获。纵观全年&#xff1a; 1、寒假我们认真集训了20天&#xff0c;暑假40天&…
阅读更多...
python学opencv|读取图像（二十四）使用cv2.putText()绘制文字进阶-倾斜文字

python学opencv|读取图像（二十四）使用cv2.putText()绘制文字进阶-倾斜文字

【1】引言 前述学习进程中&#xff0c;我们已经掌握了pythonopencv绘制文字的基本技能&#xff0c;相关链接为&#xff1a; python学opencv|读取图像&#xff08;二十三&#xff09;使用cv2.putText()绘制文字-CSDN博客 在这里&#xff0c;我们使用不同的字体、线条颜色和线…
阅读更多...
[python SQLAlchemy数据库操作入门]-19.使用复合条件构建复杂查询

[python SQLAlchemy数据库操作入门]-19.使用复合条件构建复杂查询

哈喽，大家好，我是木头左！ 构建基本查询条件 使用 SQLAlchemy 表达式语言构建基本查询条件非常简单。例如，假设有一个名为 User 的表，并且希望查找年龄大于 30 的所有用户。可以使用以下代码来实现这一点： from sqlalchemy import create_engine, Table, Column, Intege…
阅读更多...
HTML——29. 音频引入二

HTML——29. 音频引入二

<!DOCTYPE html> <html><head><meta charset"UTF-8"><title>音频引入</title></head><body><!--audio:在网页中引入音频IE8以及之前版本不支持属性名和属性值一样&#xff0c;可以只写属性名src属性:指定音频文件…
阅读更多...
【Unity3D】UGUI Canvas画布渲染流程

【Unity3D】UGUI Canvas画布渲染流程

参考文档&#xff1a;画布 - Unity 手册 Canvas组件&#xff1a;画布组件是进行 UI 布局和渲染的抽象空间。所有 UI 元素都必须是附加了画布组件的游戏对象的子对象。 参数&#xff1a; Render Mode 渲染模式&#xff1a;Screen Space - Overlay、Screen Spa…
阅读更多...
Conda清理缓存

Conda清理缓存

参考&#xff1a;1、2
阅读更多...
k8s系列--通过docker拉取的镜像导入到 containerd中

k8s系列--通过docker拉取的镜像导入到 containerd中

要将通过 docker pull 拉取的镜像导入到 containerd 中&#xff0c;可以按照以下步骤操作&#xff1a; 步骤 1&#xff1a;使用 docker 将镜像保存为 tar 文件 docker pull registry.cn-hangzhou.aliyuncs.com/google_containers/coredns:v1.11.1 docker save registry.cn-ha…
阅读更多...
热备份路由HSRP及配置案例

热备份路由HSRP及配置案例

✍作者&#xff1a;柒烨带你飞 &#x1f4aa;格言&#xff1a;生活的情况越艰难&#xff0c;我越感到自己更坚强&#xff1b;我这个人走得很慢&#xff0c;但我从不后退。 &#x1f4dc;系列专栏&#xff1a;网路安全入门系列 目录 一&#xff0c;HSRP的相关概念二&#xff0c;…
阅读更多...
牛客网刷题 ——C语言初阶——JZ15 二进制中1的个数

牛客网刷题 ——C语言初阶——JZ15 二进制中1的个数

1.题目描述 题目OJ链接 描述 输入一个整数 n &#xff0c;输出该数32位二进制表示中1的个数。其中负数用补码表示。 2.思路 求2进制中1的个数&#xff0c;可以转换为求每一位&#xff0c;1的个数&#xff0c;1&1还是1 所以判断如果该数值&1为真&#xff0c;我们就co…
阅读更多...
机器学习笔记 - 单幅图像深度估计的最新技术

机器学习笔记 - 单幅图像深度估计的最新技术

1、深度估计简述 单眼深度估计是一项计算机视觉任务，AI 模型从单个图像中预测场景的深度信息。模型估计场景中对象从一个照相机视点的距离。单目深度估计已广泛用于自动驾驶、机器人等领域。深度估计被认为是最困难的计算机视觉任务之一，因为它要求模型理解对象及其深度信息之…
阅读更多...
最新文章

Copyright @ 2022~2023