企业官网建设流程全解析

为什么写这篇

前三章（模型、Message、结构化输出）学完，觉得自己"入门了"。结果一翻到第四章LCEL（LangChain Expression Language），整个人比较蒙。

prompt | llm | StrOutputParser()这行代码，视频里老师敲得飞快，我跟着敲也能跑。但让我讲讲|到底干了什么、RunnablePassthrough为什么存在、assign里的lambda x到底 x 是什么——全答不上来。

这章是 LangChain 最抽象的部分，也是后续所有高级功能（RAG、Agent、记忆）的地基。我手写了三张笔记，反复啃了啃，现在可以能用人话讲清楚了。、

一、LCEL 是什么：一个符号，五种组件

LCEL = LangChain Expression Language，核心就是管道符|。

它把"数据不断被处理、传递"的过程，写成一行管道，高复用、不断输出。

数据 → 处理A → 处理B → 处理C → 输出

LangChain 里有 5 个核心组件，名字都带Runnable（可运行）：

一句话：所有能上链的东西，都实现了 Runnable 接口，所以能用|连起来。

二、基础管道：prompt | llm | StrOutputParser()

这是最常见的链，也是理解后续一切的起点。

fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportStrOutputParser prompt=ChatPromptTemplate.from_messages([("system","你是一个翻译。"),("human","把这句话翻译成英文：{text}"),])chain=prompt|llm|StrOutputParser()chain.invoke({"text":"你好"})

数据流转（重点）

dict → [prompt] → PromptValue → [llm] → AIMessage → [StrOutputParser] → str

每一节都是一个 Runnable，上一节的输出是下一节的输入：

1. 你传{"text": "你好"}（dict）
2. prompt把 dict 填进模板，产出PromptValue（填好的消息）
3. llm调模型，产出AIMessage（模型回复）
4. StrOutputParser把 AIMessage 里的文本抽出来，产出str

|的本质：把左边的输出，作为右边的输入。

三、RunnableLambda：把普通函数接进水管

链上的每一节必须是 Runnable。那普通函数怎么上链？用RunnableLambda包一层。

fromlangchain_core.runnablesimportRunnableLambdadef加粗(text:str)->str:returnf"**{text}**"chain=prompt|llm|StrOutputParser()|RunnableLambda(加粗)print(chain.invoke({"text":"你好"}))# 输出会被加粗

适用场景：链的中间需要自定义处理逻辑。比如对模型输出做后处理（清洗、格式化、加标签）。

我手写笔记里特别标了一句：可实现自定义的逻辑处理。这就是 RunnableLambda 存在的意义——让你不写子类也能往链里塞逻辑。

四、RunnablePassthrough：透传 + assign 加字段

这是我卡最久的一个概念。

单独的 RunnablePassthrough：价值不大

RunnablePassthrough().invoke("hello")# 原样输出 "hello"

输入啥输出啥，单独用没意义。真正的威力在.assign()。

assign：在字典上动态加字段

fromlangchain_core.runnablesimportRunnablePassthrough add=RunnablePassthrough.assign(context=lambdax:"检索到的文档",question=lambdax:"问题",)add.invoke({"question":"什么是 RAG？"})# {"question": "什么是 RAG？", "context": "检索到的文档", "question2": "问题"}

assign 的 key 是你定义的字段名，value 是函数（接收原字典，返回新值）。

为什么需要 assign？（核心问题）

我一开始最大的疑问是：prompt 里的{context}不也是变量吗，为什么必须用 assign 加字段？

答案是：prompt 的{}只是空位，它自己不会产生内容，必须有人把值塞进去。

• 如果值是用户手动提供的 → 不需要 assign，直接chain.invoke({"context": "...", "question": "..."})也没问题
• 如果值需要系统自动生成（比如检索文档）→ 必须用 assign，在管道运行时自动算出来，在我看来，有一种一个内部消息内部消化的感觉

这就是 RAG 的核心：用户只问问题，系统自动检索文档，assign 负责把检索结果塞进字典，prompt 才能填空。

chain=(RunnablePassthrough.assign(context=lambdax:retriever.invoke(x["question"])# 自动检索)|prompt|llm)chain.invoke({"question":"什么是 RAG？"})# context 由管道自动检索，不用用户手动给

易错点（我亲手踩过）

1. assign 的 key 必须和 prompt 的{变量}对上——少了报错，多了忽略
2. value 必须是函数（lambda），不是写死的字符串——写死字符串是退化用法，真实场景是动态计算
3. lambda 的输入 x 是原字典——你可以用x["question"]取到用户传的问题

五、RunnableParallel：并行分支

基本用法

fromlangchain_core.runnablesimportRunnableParallel parallel=RunnableParallel(joke=joke_chain,poem=poem_chain)out=parallel.invoke({"question":"月亮"})# {"joke": "笑话内容", "poem": "诗的内容"}

invoke 的输入字典会完整传给每一条链，每条链各取所需：

• joke_chain 收到完整字典，只用question
• poem_chain 同样收到完整字典，只用question
• 多余的字段忽略，缺少的字段报错（那条链报错，整个 invoke 失败）

字典简写（等价写法）

# 写法1：RunnableParallel 类parallel1=RunnableParallel(joke=joke_chain,poem=poem_chain)# 写法2：直接写字典（语法糖，完全等价）parallel2={"joke":joke_chain,"poem":poem_chain}

LangChain 内部会自动把字典转成 RunnableParallel。日常基本都用字典简写。

并行结果汇总

并行返回的是字典，key 是你起的子链名。要把结果拼成一段文字，用 RunnableLambda：

defcombine(d:dict)->str:returnf"笑话：{d['joke']}\n诗：{d['poem']}"final=parallel|RunnableLambda(combine)print(final.invoke({"question":"月亮"}))

并行结果是字典，用自己定义的键名取出来。

六、本章总结：一张图理清

RunnableLambda → 普通函数上链 RunnablePassthrough.assign → 字典动态加字段（RAG 核心） RunnableParallel → 一个输入走多条链，返回字典

三者组合就能写出复杂的链：

chain=({"context":retriever,"question":RunnablePassthrough()}# 并行：检索 + 透传|prompt|llm|StrOutputParser())

这行代码是 RAG 的经典写法，拆开看就是 RunnableParallel + RunnablePassthrough + 基础管道的组合。

写在最后

学完这章最大的感受：抽象的东西一定要配具体场景理解，而且自己用笔去引导自己的思路也会更好

RunnablePassthrough.assign单看定义，我完全不知道它有什么用。直到写到 RAG 的代码——“用户只问问题，系统自动检索文档塞给模型”——才突然明白：哦，assign 就是干这个的。

如果你也在卡这章，我的建议是：别死磕概念，先把prompt | llm | parser跑通，然后去看 RAG 的最小实现，回来再看 assign 和 parallel，很多地方会突然通。

以及自己感觉现在的自学和高中有不一样的感受，高中方向太明确，也可以说太窄了，现在自己学的内容很适合主动发散，不必追求太耀眼的结果，思维在颅骨内一次次反射，也是一种各位可以尝试的感受，不稳会断，但没有失控感。

抽象概念理解起来费力是正常的，硬啃效率低。把它放到具体场景里，成本会降一半。

关于作者：平顶山学院 2026 级计算机专业新生，AI 工程方向自学者。爬虫起步，正在啃 LangChain，目标做出能落地的 AI 系统。

我的代码仓库：Gitee | 个人博客：small-mo.netlify.app