Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

Praxis-Guide: LangChain Expression Language (LCEL) & Runnable Chains¶

LCEL (LangChain Expression Language) ist die moderne Syntax zum deklarativen Zusammensetzen von Prompt-Templates, LLM-Modellen und Output-Parsern in verknüpfbaren, asynchronen und streambaren Pipelines (|).

graph LR
    Prompt["📝 ChatPromptTemplate"] --> Pipe1["|"]
    Pipe1 --> LLM["🤖 ChatOllama / ChatOpenAI"]
    LLM --> Pipe2["|"]
    Pipe2 --> Parser["📊 StrOutputParser / JsonOutputParser"]

🛠️ 1. Installation¶

pip install langchain langchain-community langchain-core

🐍 2. Python Skript (lcel_pipeline.py)¶

import asyncio
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_community.chat_models import ChatOllama

# 1. Komponenten definieren
prompt = ChatPromptTemplate.from_template("Erkläre das Thema '{thema}' kurz in 3 Sätzen für Einsteiger.")
model = ChatOllama(model="llama3.1")
parser = StrOutputParser()

# 2. Pipeline verknüpfen via Pipe-Operator (|)
chain = prompt | model | parser

# 3. Asynchrone Ausführung & Streaming
async def main():
    print("Starte Streaming-Antwort:")
    async for chunk in chain.astream({"thema": "PostgreSQL Replikation"}):
        print(chunk, end="", flush=True)
    print("\n")

if __name__ == "__main__":
    asyncio.run(main())

🔗 Verwandte Themen¶

• Agentic Workflows (LangGraph) – LangGraph
• Structured LLM Outputs (Pydantic) – Pydantic Schemas
• Lokales RAG & LLM-Serving – Ollama RAG

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).