本文深入解析了LangChain Core的架构，重点介绍了其模块化设计和LCEL（LangChain表达式语言）原语的实现原理。LangChain Core是LangChain生态的核心，定义了关键的抽象和LCEL原语。其设计遵循模块化和极简风格，通过接口、协议和语法三位一体的设计，实现了组件的标准化交互和组合。核心概念包括Runnable接口和LCEL，前者提供了统一的调用接口，支持并行化、异步和可组合性，后者是一种声明式语言，用于组合Runnable，构建复杂的AI应用。文章还通过实例展示了RunnableSequence和RunnableParallel的使用方法，阐述了LCEL的高效执行机制。

🧩 LangChain Core 采用模块化设计，核心抽象包括LM、Document Loader、Embedding、VectorStore、Retriever等，这些组件相互独立，不与特定LLM绑定。

⚙️ Runnable 接口是LangChain设计的基石，实现了与所有组件的标准化交互。它提供了统一的调用接口，支持并行化、异步和可组合性，通过invoke/ainvoke、stream/astream、batch/abatch等方法提供一致的使用体验。

💡 LCEL（LangChain Expression Language）是一种声明式语言，用于组合LangChain Core的Runnable。它将LCEL编译为优化的执行计划，并自动支持并行化、流式传输、过程跟踪和异步执行。

➡️ RunnableSequence 允许按顺序依次调用一系列runnables，上一个Runnable的输出作为下一个Runnable的输入，构建方式可以通过 | 运算符连接或传入Runnable实例列表。

⏩ RunnableParallel 允许并发调用一系列runnables，所有runnables共享相同的输入，同样可以通过 | 运算符连接或传入Runnable实例列表构建。

[LangChain Core架构解析：模块化设计与LCEL原语实现原理]

LangChain Core架构解析：模块化设计与LCEL原语实现原理

 本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！

 

LangChain Core Introduction

LangChain Core定义了LangChain生态中最核心的最基础的抽象和LCEL原语(LangChain表达式语言)。

设计原则

遵循 模块化设计 和 极简风格

设计哲学：约定优于配置(Convention Over Configuration)

• 模块化设计: 各个抽象对象相互独立，不与任何特定LLM绑定。

• 主要包括LM、Document Loader、Embedding、VectorStore、Retriever等抽象

• 极简风格: 接口设计简洁直观，避免过度封装。

优势: 任何provider都可以实现相关接口然后加入LangChain生态系统

核心抽象

核心抽象包括: 接口 + 协议 + 语法

三位一体的设计架构：

• 接口: 包括核心组件的接口(比如chat models, LLMs, vector stores, retrievers等等)• 协议: 通用调用协议(Runnable抽象)• 语法: LCEL (LangChain Expression Language), 用来声明编排各个组件

Runnable接口

• Runnable接口是LangChain设计的基石（类似Java中的Runnable接口）, 实现了与所有组件的标准化交互, 并通过LCEL实现各组件的组合• 它代表一个可以被调用的、可并行化的、可流处理的、可变换的、可组合的工作单元

主要作用

• 统一的调用接口: 所有组件通过标准方法集(invoke/ainvoke, stream/astream, batch/abatch)提供一致的使用体验• 并行化: 批处理操作batch• 异步支持: a(async)开头的方法ainvoke, astream, abatch等• 可组合性: 通过pipe语法实现各组件的组合

使用方式
Runnable接口的使用方式包括: 声明式 和 立即执行

• 声明式: 通过LCEL声明，lazy执行，类似spark的transform• 立即执行: 调用invoke等方法，立即执行，类似spark的action

主要抽象类家族

编辑

LCEL

LCEL全称 LangChain Expression Language ，是一种声明式语言，用来组合LangChain Core的Runnable成各种序列或DAG，满足由LLM驱动的AI应用的常用组合模式的开发。
LangChain Core会将LCEL编译为优化的执行计划，并自动支持并行化、流式传输、过程跟踪和异步执行。

• LCEL通过以下机制实现高效执行

1. 自动优化：编译时合并操作符，减少调用开销2. 透明并行：自动检测可并行执行的组件3. 错误传播：异常处理链路贯穿整个工作流

主要组合原语是RunnableSequence和RunnableParallel。
RunnableSequence 按顺序依次调用一系列runnables。并且用上一个Runnable的输出作为下一个Runnable的输入。
构建方式

• 多个Runnable实例通过 | 运算符连接• 通过传入多个Runnable实例列表给RunnableSequence直接创建。

RunnableSequence 实例

from langchain_core.runnables import RunnableLambda

示例1：创建简单计算流水线

通过 | 创建 RunnableSequence 实例

sequence = RunnableLambda(lambda x: x + 1) | RunnableLambda(lambda x: x * 2)

print(type(sequence))

输出: <class 'langchain_core.runnables.base.RunnableSequence'>

单个输入调用 invoke

invoke_result = sequence.invoke(1)

print(type(invoke_result), invoke_result)

输出: <class 'int'> 4

批处理 batch

batch_result = sequence.batch([1, 2, 3])

print(type(batch_result), batch_result)

输出: <class 'list'> [4, 6, 8]

RunnableParallel 并发调用一系列runnables。并且用同样的输入作为每一个Runnable的输入。
构建方式

• 多个Runnable实例通过 | 运算符连接• 通过传入多个Runnable实例列表给RunnableSequence直接创建。

RunnableParallel实例

from langchain_core.runnables import RunnableLambda

示例2：创建并行计算分支

使用 dict 创建 RunnableParallel 实例

sequence = RunnableLambda(lambda x: x + 1) | {

    'mul_2': RunnableLambda(lambda x: x * 2),

    'mul_5': RunnableLambda(lambda x: x * 5),

}

print(type(sequence))

输出: <class 'langchain_core.runnables.base.RunnableSequence'>

单个输入调用 invoke

invoke_result = sequence.invoke(1)

print(type(invoke_result), invoke_result)

输出: <class 'dict'> {'mul_2': 4, 'mul_5': 10}

::: tip 小提示
RunnableLambda是一个可以将一个python callable转换成一个Runnable实例的类。上述实例用来转换lambda函数。
:::

Reference

LangChain Core架构解析：模块化设计与LCEL原语实现原理

用真话讲AI，回归技术本质，拒绝神话或妖魔化。搜索 "大千AI助手" 关注我，一起撕掉过度包装，学习真实的AI技术！