zhuangang/topics/ai/langchain/01-lcel-structured-agent.md

id, title, type, domain, stack, tags, level, prerequisites, est_hours, related, week, order

id	title	type	domain	stack	tags	level	prerequisites	est_hours	related	week	order
ai.langchain.lcel-structured-agent	LangChain 1.x：模型和消息、LCEL、结构化输出、create_agent 和中间件	lesson	ai	langchain	LangChain LCEL init_chat_model 结构化输出 create_agent middleware 重试 备用模型	intermediate	ai.function-calling.tool-loop	3	ai.langgraph.state-graph ai.langchain.scenario.ticket-triage ai.langchain.interview	6 11	1

LangChain 1.x：模型和消息、LCEL、结构化输出、create_agent 和中间件

LangChain 在 2025 年发布 1.0，API 和 0.x 有较大变化（例如 Agent 统一为 create_agent，基于 LangGraph 构建，并引入中间件）。网上大量教程是 0.x 写法（AgentExecutor、initialize_agent、LLMChain），不要照抄。本课基于 langchain 1.4 编写，以官方文档为准：https://docs.langchain.com/oss/python/langchain/overview

解释说明

核心组件

组件	说明
聊天模型	统一接口调用不同提供方：init_chat_model("提供方:模型名")；方法 invoke / stream / batch 及异步版本
消息	SystemMessage、HumanMessage、AIMessage（可带 tool_calls）、ToolMessage
提示词模板	ChatPromptTemplate.from_messages([...])，用 {变量} 占位
输出解析器	StrOutputParser、PydanticOutputParser；支持原生结构化输出的模型优先用 model.with_structured_output(Schema)
工具	@tool 装饰的函数，文档字符串就是工具描述
Agent	create_agent(model, tools, system_prompt=..., middleware=[...], response_format=...)

LCEL（LangChain 表达式语言）

用 | 把组件串成链：prompt | model | parser。每个组件都是 Runnable，统一支持 invoke / stream / batch / 异步，并且可以加：

• .with_retry(stop_after_attempt=3)：失败重试；
• .with_fallbacks([备用链])：失败时切换到备用（例如另一个模型提供方）；
• RunnableParallel：并行执行多个分支。

create_agent 和中间件

create_agent 实现了标准的工具调用循环（就是第 10 周手写的那个循环），返回一个 LangGraph 图，所以也支持检查点、流式、interrupt。1.x 的中间件可以在模型调用 / 工具调用前后插入逻辑，内置的有：调用次数限制、人工审批（HumanInTheLoop）、历史摘要（Summarization）、备用模型（ModelFallback）、PII 检测、工具重试等（名称和参数以官方文档为准）。

什么时候用 LangChain，什么时候直接用 SDK？ 需要切换多个模型提供方、需要现成的检索 / 工具 / 中间件生态时用 LangChain；逻辑简单、追求最少依赖和完全可控时直接用厂商 SDK。面试时要能说出理由。

案例

工单分类服务：用 PydanticOutputParser（或 with_structured_output）输出 {category, urgent}；模型偶尔返回不合法格式，with_retry 重试一次；主模型提供方超时时 with_fallbacks 切换到备用提供方；批量历史工单用 batch 并发处理。

代码示例

完整可运行版本（假模型离线运行）：examples/lc-basics/lc_basics.py。

from langchain.agents import create_agent
from langchain.agents.middleware import ModelCallLimitMiddleware
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool


class Triage(BaseModel):
    category: str = Field(pattern="^(refund|bug|question)$")
    urgent: bool


parser = PydanticOutputParser(pydantic_object=Triage)
prompt = ChatPromptTemplate.from_messages([
    ("system", "对工单分类。{format_instructions}"),
    ("human", "{ticket}"),
]).partial(format_instructions=parser.get_format_instructions())

chain = (prompt | model | parser).with_retry(stop_after_attempt=2).with_fallbacks([prompt | backup_model | parser])
print(chain.invoke({"ticket": "我要退款，很急"}))        # category='refund' urgent=True


@tool
def get_order_status(order_id: str) -> str:
    """查询订单的物流状态。order_id 形如 A1001。"""
    ...


agent = create_agent(model, tools=[get_order_status], system_prompt="你是售后客服。",
                     middleware=[ModelCallLimitMiddleware(run_limit=5)])
out = agent.invoke({"messages": [{"role": "user", "content": "A1001 到哪了"}]})

易错点

• 照抄 0.x 教程：AgentExecutor、LLMChain 等在 1.x 中已移到 langchain-classic 或不再推荐。
• 各模型提供方是独立的包（langchain-openai、langchain-anthropic 等），版本要和 langchain-core 匹配。
• 结构化输出只靠提示词约束，不做校验。
• with_fallbacks 的备用链输入输出格式和主链不一致。
• 工具的文档字符串写得太简单，模型不知道何时调用。
• 过度封装：简单的一次调用也套很多层链，调试困难。

面试常问

• LangChain 1.x 和 0.x 有什么变化？
• LCEL 是什么？有什么好处？
• 怎么保证结构化输出可靠？
• 什么时候不用 LangChain？