LangChain Expression Language (LCEL)

A Linguagem de Expressão LangChain, ou LCEL, é uma forma declarativa de compor cadeias de maneira fácil. A LCEL foi projetada desde o primeiro dia para suportar a colocação de protótipos em produção, sem a necessidade de alterações no código.

Principais características do LCEL:

• Suporte a streaming de primeira classe: menor tempo possível para saída do primeiro token produzido
• Suporte assíncrono: Qualquer cadeia construída com a LCEL pode ser chamada tanto com a API síncrona
• Execução paralela otimizada: Sempre que suas cadeias LCEL tiverem etapas que podem ser executadas em paralelo
• Retentativas e fallbacks: Maneira de tornar suas cadeias mais confiáveis em grande escala
• Acessar resultados intermediários: auxiliando na depuração de uma cadeia

Configurando o ambiente

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

Criando uma chain simples

Primeiro, vamos importar e configurar o modelo:

from langchain_openai import ChatOpenAI

model = ChatOpenAI()

Em seguida, criamos um template de prompt:

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template('Crie uma frase sobre o seguinte assunto: {assunto}')

Criando a chain com LCEL

Com LCEL, podemos criar chains de forma declarativa usando o operador pipe (|):

chain = prompt | model
chain.invoke({ 'assunto': 'futebol' })

Adicionando mais elementos à chain

Podemos adicionar um parser de saída para formatar o resultado:

from langchain_core.output_parsers import StrOutputParser

chain = prompt | model | StrOutputParser()
chain.invoke({ 'assunto': 'futebol' })

Como seria com chains clássicas? (Defasado)

Para comparação, veja como seria usando o método antigo de chains:

from langchain.chains.llm import LLMChain
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

model = ChatOpenAI(model='gpt-3.5-turbo')
prompt = ChatPromptTemplate.from_template('Crie uma frase sobre o seguinte assunto: {assunto}')
output_parser = StrOutputParser()

chain = LLMChain(
    llm=model,
    prompt=prompt,
    output_parser=output_parser
)

chain.invoke({ 'assunto': 'border collie' })

Entendendo a ordem dos componentes

Para não errar a ordem dos componentes na chain, é importante entender que cada componente recebe um tipo de entrada e gera um tipo de saída específico:

Este guia apresenta os conceitos fundamentais do LCEL e como utilizá-lo para criar chains de forma mais eficiente e declarativa no LangChain.