上篇我们跑通了第一个Agent但如果你只停留在能用的层面后面遇到复杂场景一定会卡壳。LangChain 1.0的设计哲学和0.x完全不同理解三个核心概念就够了LCEL、Runnable、content_blocks。这三个东西不是孤立的它们是一条线串下来的Runnable是组件的统一抽象LCEL是组件之间的组合语法content_blocks是组件之间的数据格式。搞懂这条线你就掌握了1.0的设计骨架。Runnable一切皆可执行1.0里几乎所有东西都是Runnable模型是Runnable提示词模板是Runnable输出解析器是Runnable检索器也是Runnable。为什么这么设计0.x的问题在于每种组件都有自己的接口和调用方式——模型用llm(prompt)链用chain.run()Agent用agent.run()你没法把它们自由组合。Runnable统一了接口所有组件都只有三个核心方法# 同步调用result runnable.invoke(input)# 流式调用for chunk in runnable.stream(input): print(chunk)# 异步调用result await runnable.ainvoke(input)这意味着什么你可以把模型、提示词模板、解析器像搭积木一样自由拼装因为它们的输入输出接口是统一的。from langchain_core.prompts import ChatPromptTemplatefrom langchain_openai import ChatOpenAIfrom langchain_core.output_parsers import StrOutputParser# 每个组件都是Runnableprompt ChatPromptTemplate.from_template(用一句话解释{concept})model ChatOpenAI(modelgpt-4o-mini)parser StrOutputParser()# 用LCEL管道组合chain prompt | model | parser# 统一调用result chain.invoke({concept: 量子纠缠})print(result) # 量子纠缠是两个粒子无论相隔多远测量其中一个会瞬间影响另一个的状态。prompt | model | parser这个管道语法就是LCEL下一节详细说。LCELLangChain表达式语言LCEL全称LangChain Expression Language就是上面那个|管道操作符。它的设计灵感来自Unix管道——把一个命令的输出直接传给下一个命令。基本用法# 等价于 bash 里的 cat file | grep keyword | sort# LCEL 里就是 prompt | model | parserchain prompt | model | parser看起来简单但它解决的其实是0.x里一个很烦人的问题链式调用太死板。0.x里你要创建一条链得这样写# 0.x写法from langchain.chains import LLMChainchain LLMChain(llmmodel, promptprompt)result chain.run(concept量子纠缠)问题在于LLMChain是个固定结构你想在中间加个步骤比如加个输出格式化就得写个自定义Chain类继承BaseChain实现一堆方法。LCEL的做法是不需要固定结构你自己拼。# 1.0写法在模型和解析器之间加一步格式化from langchain_core.runnables import RunnableLambdadef format_output(text): return text.strip().replace(。, 。\n)chain prompt | model | RunnableLambda(format_output) | parser想加步骤就|一个Runnable进去想删就删灵活度完全不在一个量级。LCEL的高级用法1. 并行执行from langchain_core.runnables import RunnableParallel# 两条链同时跑结果合并parallel RunnableParallel({ summary: summary_chain, keywords: keyword_chain,})result parallel.invoke({text: 一段长文本...})# result {summary: 摘要内容, keywords: 关键词列表}2. 条件路由from langchain_core.runnables import RunnableBranch# 根据输入选择不同的处理链branch RunnableBranch( (lambda x: len(x[text]) 1000, long_text_chain), (lambda x: code in x[text], code_chain), default_chain, # 默认走这条)3. 配置化运行时动态切换组件不用改代码from langchain_core.runnables import ConfigurableFieldmodel ChatOpenAI(modelgpt-4o-mini).configurable_fields( model_nameConfigurableField(idmodel))# 运行时选模型result model.invoke( 你好, config{configurable: {model: deepseek-chat}})这些在0.x里要么做不到要么得写大量模板代码。LCEL用几行就搞定了。content_blocks统一的消息内容格式这个概念我在第一篇里提过这里展开讲讲为什么它重要、怎么用。它解决什么问题不同大模型返回消息的格式各不相同OpenAI返回content字符串 function_call对象Anthropic返回多个content_block文本和工具调用分开DeepSeek返回contenttool_calls列表0.x时代你要处理不同模型的输出就得写适配代码。比如判断response.additional_kwargs.get(function_call)、response.tool_calls等每个模型还不一样。1.0用content_blocks统一了这一切response model.invoke(帮我查一下北京天气)# 不管底层是什么模型都用同一套方式访问for block in response.content_blocks: match block[type]: case text: print(f文本: {block[text]}) case tool_call: print(f调用工具: {block[name]}, 参数: {block[args]}) case reasoning: print(f推理过程: {block[text]}) # DeepSeek的思考链 case image: print(f图片: {block.get(url, )})实际开发中怎么用场景1你想从模型回复中提取工具调用tool_calls [ block for block in response.content_blocks if block[type] tool_call]场景2你想拿到DeepSeek的思考过程reasoning answer for block in response.content_blocks: if block[type] reasoning: reasoning block[text] elif block[type] text: answer block[text]print(f思考过程: {reasoning})print(f最终回答: {answer})场景3多模态输出处理for block in response.content_blocks: if block[type] image: # 懒加载图片不会在content_blocks里直接加载 image_data block.load() # 需要时才下载 image_data.save(foutput_{block[id]}.png)content_blocks和旧版content属性的关系1.0里AIMessage同时保留了content字符串和content_blocks列表两个属性向下兼容# content还是能用的返回纯文本print(response.content) # 北京今天晴气温28℃# content_blocks是结构化视图print(response.content_blocks) # [{type: text, text: 北京今天晴...}]日常简单场景用content就行需要细粒度处理再用content_blocks。三者的关系一张图搞定用户输入 ↓[Prompt Template (Runnable)] ← LCEL定义 ↓[Chat Model (Runnable)] ← content_blocks统一输出格式 ↓[Output Parser (Runnable)] ↓最终输出Runnable让每个组件都有统一的调用接口invoke/stream/ainvokeLCEL让组件之间可以用|自由组合content_blocks让组件之间的数据传递有了统一的格式三件事一个目标让AI应用的开发像搭积木一样灵活。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】