一、LangChain 表达式语言
在没有 LangChain 之前，你可能需要手动拼接字符串、调用 API、再手动解析返回的文本。LangChain 通过 LCEL（LangChain 表达式语言） 将这些步骤标准化。
一个基础的链通常由三个核心组件组成：
PromptTemplate (提示词模板) 📝：将用户的原始输入格式化为结构化的指令。
Model (模型) 🤖：大语言模型（LLM），负责逻辑推理。
OutputParser (输出解析器) 🔍：将模型返回的字符串清洗或转换成你需要的格式（如 JSON 或纯文本）。
在 LangChain 中，我们使用类似 Unix 管道符的 | 符号将它们串联起来：链 = 提示词 | 模型 | 解析器
二、示例：构建“翻译助手” (LCEL 基础)
我们将学习如何定义一个简单的模板，并利用 | 符号将它与模型连接，实现自动化的语言转换。
先从翻译助手的核心——提示词模板 (PromptTemplate) 开始。
在 LangChain 中，提示词模板就像是一个“填空题”。它不仅包含你对 AI 的指令，还预留了变量位置，方便我们重复使用。
1. 定义提示词模板 📝
我们要告诉 AI：“你是一个专业的翻译官，请将以下文本从 {source_lang} 翻译成 {target_lang}。”
在代码中，它看起来是这样的（以 Python 为例）：
Python
from langchain_core.prompts import ChatPromptTemplate
# 定义模板
system_template = "你是一个专业的翻译官，请将用户输入的文本从 {source_lang} 翻译成 {target_lang}。"
human_template = "{text}"
prompt_template = ChatPromptTemplate.from_messages([
("system", system_template),
("human", human_template),
])
这里我们使用了 system（系统消息，设定角色）和 human（用户消息，提供具体内容）。
2. 准备模型 (Model) 🤖
接下来我们需要一个“大脑”来执行翻译。在 LangChain 中，我们可以轻松切换不同的模型（如 OpenAI、Anthropic 或国产模型）。
Python
# 假设我们使用 ChatOpenAI（实际使用时需要配置 API Key）
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-3.5-turbo")
3. 使用 LCEL 串联 🔗
现在是见证奇迹的时刻！在 LCEL 中，我们使用管道符 | 将它们连接起来：
Python
# 这一行就是 LCEL 的精髓
chain = prompt_template | model
这个 chain 现在就像一个完整的“函数”。当我们调用它时，它会自动把输入填入模板，然后传给模型。
4. 运行你的第一个链 🚀
在 LangChain 中，我们使用 .invoke() 方法来触发这个链。我们将这三个参数放在一个字典（Dictionary）里传进去。
代码看起来是这样的：
Python
# 运行链
response = chain.invoke({
"source_lang": "中文",
"target_lang": "英文",
"text": "你好，今天天气不错。"
})
print(response)
这时候你会发现，模型返回的是一个对象（通常是 AIMessage），里面包含了翻译后的文本，但也包含了一些元数据（比如 token 消耗量）。
5. 引入输出解析器 (Output Parser) 🔍
在大多数情况下，我们只想要翻译后的纯字符串。这时就需要用到 StrOutputParser。它可以把复杂的模型输出直接变成简洁的文本。
Python
from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
现在，我们有了三个组件：
prompt_template(格式化输入)model(处理逻辑)parser(清理输出)
6. 完整 LangChain 的链
final_chain = prompt_template | model | parser
这行代码完美展示了 LCEL (LangChain Expression Language) 的简洁之美。
通过加上 parser，整个链的流转变得非常清晰：
PromptTemplate：把你的变量填入模板。
Model：接收格式化后的文本并生成回复。
Parser：从模型回复中提取出纯文本字符串。
现在，当你运行 final_chain.invoke(...) 时，你得到的不再是一个复杂的对象，而是一个直接可以使用的翻译结果字符串。
