HelloMeng
← Back to 文字
AI 应用开发课程 · 月份 1 · LangChain 核心抽象入门

PromptTemplate、Runnable 与 LCEL

Published2025.09.30 Words 1,465 Reading ~ 5 min

本文来自《AI 应用开发课程》月份 1 课程文档，已整理为网站文章版本。

学习目标

学完本节后，你应当能够：

  • 理解 LangChain 中最值得先学的三个核心概念。
  • 用组合方式组织 Prompt、模型和解析器。
  • 把一段纯 API 调用逻辑映射到 LangChain 思路。

前置知识

  • 已理解普通 LLM 调用链

1. PromptTemplate

它的作用是把原本手工拼接的 Prompt 变成模板。

示例思路：

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    "你是研发助手。请总结以下需求：\n\n{task_text}"
)

价值：

  • 模板更清晰
  • 输入变量更明确
  • 更容易复用和测试

2. Runnable

你可以把它理解为“可执行、可组合的处理单元”。

它让你可以把：

  • Prompt
  • Model
  • Parser

按流水线方式串起来。

3. LCEL

LCEL 是 LangChain 的组合表达方式。你可以把它理解为：

  • 一种声明式链路写法
  • 让不同组件通过统一协议串联

典型思路：

chain = prompt | model | parser

这比手工一步一步调用更容易看出链路结构。

4. 为什么这三个抽象值得先学

因为它们最接近你已经理解的纯 API 调用流程：

  • Prompt 如何构造
  • Model 如何调用
  • Output 如何解析

LangChain 在月份 1 的价值主要在这里，而不是在“帮你一键做完所有事情”。

5. LangChain 组合链路图

flowchart LR
    A["PromptTemplate"] --> B["Chat Model"]
    B --> C["OutputParser"]
    C --> D["结构化结果"]

6. 你应当如何使用 LangChain

  • 先用它替换一小段纯 API 逻辑
  • 再比较代码可读性和可替换性
  • 不要一开始就让整个项目都依赖它

7. 实操任务

  1. 选择一个已完成的纯 API 任务
  2. 用 PromptTemplate 重写 prompt 构造
  3. 用 LCEL 连接模型与解析器
  4. 对比前后代码结构

8. 自测题

  1. PromptTemplate 相比手写字符串最大的好处是什么？
  2. Runnable 为组合带来了什么统一性？
  3. 为什么月份 1 不鼓励把全项目立刻“LangChain 化”？

9. 作业与验收

验收标准：

  • 至少有一段链路被改写成 prompt | model | parser
  • 你能解释每个部分承担什么职责
  • 你能说明与纯 API 实现相比的得失

10. 本章与前文关系

上一章让你从概念层理解了 LangChain 的定位，这一章开始真正动手，把你前面写过的纯 API 逻辑映射成 LangChain 的组件链。

它的目标不是让你背 API，而是让你能回答：

  • 这个组件在我之前的手写版本里对应什么
  • 它帮我节省了什么
  • 它隐藏了什么

11. 本章在研发助手项目中的位置

对于研发助手项目，最适合先用 LangChain 改写的往往不是整套系统，而是一条相对稳定的链路，例如：

  • 需求总结
  • 待办项抽取
  • 结构化分析

因为这些链路天然符合：

  • Prompt
  • Model
  • Parser

的组合结构。

12. 纯 API 与 LangChain 的一一映射

纯 API 版本里你通常这样写

  1. 拼 Prompt 字符串
  2. 调用模型
  3. 拿到文本
  4. 解析文本

LangChain 版本里你通常这样写

  1. PromptTemplate
  2. Chat Model
  3. OutputParser
  4. 用 LCEL 串起来

所以本质不是“新逻辑”，而是“把原本隐式存在的几步显式表达出来”。

13. 一个完整的对照示例

纯 API 版本

prompt = f"请总结下面的任务：\n\n{task_text}"
raw_output = await llm_client.generate(
    messages=[{"role": "user", "content": prompt}]
)
result = parse_task_analysis(raw_output)

LangChain 版本

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate


prompt = PromptTemplate.from_template(
    "请总结下面的任务：\n\n{task_text}"
)
parser = StrOutputParser()

chain = prompt | model | parser
result = chain.invoke({"task_text": task_text})

14. 为什么 LCEL 值得学

因为它让你看到一条链的真正组成，而不是把所有步骤揉在一段脚本里。

prompt | model | parser 的价值在于：

  • 可读
  • 可替换
  • 可组合

这比“几段函数随意串起来”更利于后续扩展。

15. 错误示例 vs 正确示例

错误示例：为了用 LangChain 而用 LangChain

比如把一个本来只有两步的简单逻辑，强行包得非常复杂。

正确示例：只在链路清晰受益时引入组件化表达

月份 1 的重点是理解抽象，而不是框架覆盖率。

16. 一个更接近工程的增强版理解

你可以把 Runnable 看成：

  • 可以执行
  • 可以串联
  • 可以在链路中替换

这对后面做：

  • 不同 Prompt 对照
  • 不同解析器替换
  • 不同模型封装

都很有价值。

17. 调试与排错：本章最常见问题

问题一：不知道链路里到底哪一步出错

这反而说明你还没真的把 prompt、model、parser 视为不同组件。要重新把职责拆开理解。

问题二：一上来就全项目改成 LangChain

这会让你失去和纯 API 的对照能力。

问题三：只记语法，不做对照实验

那样你学到的只是表面写法，而不是框架思维。

18. 本章完成后你应该具备的能力

完成本章后，你应当做到：

  1. 能把一条纯 API 链路翻译成 LCEL。
  2. 能说清 PromptTemplate、Runnable、OutputParser 各自位置。
  3. 能判断什么时候值得引入组件化。

19. 如果你卡在这里，先回看哪几章

20. 从本章过渡到下一章的桥接说明

接下来进入 03-OutputParser与Tool封装.md。

因为你现在已经把“Prompt + Model + Parser”链路串起来了，下一步自然就是去看：

  • Parser 在结构化输出中到底解决什么问题
  • Tool 在 LangChain 里如何映射你已经手写过的工具系统

这会让你把 LangChain 和月份 1 前面的原生实现真正对齐。

✦ Fin ✦