Langchain LCEL 链式调用：激活详细输出与调试指南-Python教程-PHP中文网

Langchain LCEL 链式调用：激活详细输出与调试指南

花韻仙語

发布： 2025-09-29 15:49:00

原创

717人浏览过

Langchain LCEL 链式调用：激活详细输出与调试指南

本教程详细介绍了在Langchain使用LCEL构建链式调用时，如何获取并配置详细的中间步骤输出。通过引入回调处理器（如ConsoleCallbackHandler），用户可以观察链的内部执行流程，从而有效进行调试。文章还探讨了全局调试模式以及针对特定组件的配置方法，并提及了可视化调试工具。

在使用langchain表达式语言（lcel）构建链式应用时，开发者常常需要了解链的内部执行细节，例如提示词的构建、模型的输入输出以及中间步骤的状态，以便进行调试和优化。然而，传统的set_verbose(true)或在模型初始化时设置verbose=true的方式，在lcel环境下可能无法提供预期的详细输出。本文将介绍在langchain lcel链式调用中激活详细输出的推荐方法。

核心调试方法：回调处理器

Langchain提供了一套灵活的回调（Callbacks）系统，允许开发者在链的生命周期中的特定事件发生时执行自定义逻辑。对于获取详细的中间步骤输出，最直接且推荐的方法是使用ConsoleCallbackHandler并将其配置到链的调用中。

ConsoleCallbackHandler会将链的执行日志（包括每个组件的输入、输出、耗时等）直接打印到控制台，这对于快速了解链的运行情况非常有用。

示例代码：

from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.callbacks.tracers import ConsoleCallbackHandler # 导入回调处理器

# 定义链的组件
prompt = ChatPromptTemplate.from_template("告诉我一个关于{topic}的笑话")
model = ChatOpenAI()
output_parser = StrOutputParser()

# 构建LCEL链
chain = prompt | model | output_parser

# 调用链并配置回调处理器
# 通过 invoke 方法的 config 参数传递回调列表
chain.invoke({"topic": "冰淇淋"}, config={'callbacks': [ConsoleCallbackHandler()]})

登录后复制

运行上述代码，你将在控制台看到详细的日志输出，展示提示词的构建过程、模型调用以及最终输出等。虽然这种输出形式与旧版Langchain的“verbose mode”略有不同，但它提供了同等甚至更丰富的调试信息。

更精细的控制：特定对象的回调配置

如果你只希望对链中的某个特定组件（例如，语言模型）进行详细输出，而不是整个链，你可以将回调处理器直接附加到该组件上。这可以通过组件的with_config方法实现。

示例：

from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.callbacks.tracers import ConsoleCallbackHandler

prompt = ChatPromptTemplate.from_template("告诉我一个关于{topic}的笑话")
# 将回调处理器附加到 ChatOpenAI 模型上
model = ChatOpenAI().with_config({'callbacks': [ConsoleCallbackHandler()]})
output_parser = StrOutputParser()

chain = prompt | model | output_parser

# 此时，只有模型相关的调用会产生详细输出
chain.invoke({"topic": "冰淇淋"})

登录后复制

这种方法适用于需要针对性调试某个特定模块，或者希望减少整体日志输出以聚焦关键部分的场景。

白瓜面试

白瓜面试 - AI面试助手,辅助笔试面试神器

查看详情

全局高详细度调试：set_debug

对于需要最高级别全局详细输出的场景，Langchain仍然提供了set_debug(True)方法。这会激活一个更广泛的调试模式，可能会输出比ConsoleCallbackHandler更多的内部信息。

示例：

from langchain.globals import set_debug
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser

# 激活全局调试模式
set_debug(True)

prompt = ChatPromptTemplate.from_template("告诉我一个关于{topic}的笑话")
model = ChatOpenAI()
output_parser = StrOutputParser()

chain = prompt | model | output_parser

chain.invoke({"topic": "冰淇淋"})

登录后复制

请注意，set_debug(True)会产生大量的日志输出，可能不适合生产环境或日常开发，但对于深入排查复杂问题非常有用。