LCEL چیست و چرا لنگچین آن را روش استاندارد زنجیرهسازی کرده است؟
تا قبل از LCEL، ساختن یک گردشکار سادهٔ LLM در لنگچین یعنی کلاسهای جدا برای هر کار: LLMChain برای زنجیرهٔ ساده، SequentialChain برای توالیهای چندمرحلهای و کد دستی برای استریم و async. نتیجه، APIهای پراکندهای بود که هرکدام رفتار متفاوتی داشتند و افزودن یک قابلیت مثل fallback یعنی بازنویسی بخشی از کد. تیم لنگچین برای حل این پراکندگی، LCEL (LangChain Expression Language) را معرفی کرد: یک سینتکس اعلانی که در آن همهٔ اجزا یک قرارداد مشترک دارند و شما فقط آنها را با اپراتور پایپ (|) به هم وصل میکنید.
قرارداد مشترک، اینترفیس Runnable است. هر جزئی که Runnable باشد — قالب پرامپت، مدل چت، پارسر خروجی، رتریور برداری و حتی خودِ یک زنجیرهٔ کامل — متدهای یکسانی دارد: invoke برای اجرای تکورودی، batch برای پردازش دستهای، stream برای خروجی تدریجی و نسخههای async آنها یعنی ainvoke و abatch و astream. وقتی اجزا را با | به هم وصل میکنید، لنگچین از آنها یک RunnableSequence میسازد که خودش هم Runnable است؛ یعنی هر قابلیتی که برای یک جزء داشتید، برای کل زنجیره هم دارید.
«LCEL یک روش اعلانی برای ترکیب سادهٔ Runnableهاست» — ترجمهٔ آزاد از جملهٔ رسمی مستندات: LCEL is a declarative way to compose runnables.
— مستندات رسمی LangChain — Concepts: LCEL
- یک سینتکس برای همهٔ اجزا: پرامپت، مدل چت، پارسر، رتریور و ابزارها
- استریم توکنبهتوکن بدون کد اضافه — حتی در وسط زنجیرهٔ چندمرحلهای
- پشتیبانی کامل async با ainvoke و astream و abatch برای سرورهای پرترافیک
- اجرای دستهای (batch) با کنترل سقف همزمانی
- مقاومسازی استاندارد با with_fallbacks و with_retry
- قابلمشاهدهبودن (observability) با ترِیس خودکار هر مرحله در LangSmith
چطور محیط را آماده کنیم و LangChain را به API اپکس۲۴ وصل کنیم؟
برای اجرای زنجیرههای LCEL به سه چیز نیاز دارید: پکیجهای لنگچین، یک کلید API معتبر و کمی اعتبار تومانی در حساب اپکس۲۴. از آنجا که endpoint اپکس۲۴ سازگار با OpenAI (OpenAI-compatible) است، به SDK خاصی نیاز ندارید؛ همان langchain-openai با تغییر base_url به گیتوی اپکس۲۴ به همهٔ مدلهای کاتالوگ — از GPT-6 Astra تا Claude Sonnet 5 — دسترسی میگیرد. این سازگاری نسخه را هم ساده نگه میدارد: همهٔ درخواستها به POST /v1/chat/completions میروند.
- 1
نصب پکیجها
لنگچین و پکیج مدلهای سازگار با OpenAI را نصب کنید. این مقاله با langchain-core 0.3.x و langchain-openai 0.3.x نوشته شده است.
- 2
دریافت کلید API
در پنل اپکس۲۴ وارد شوید و از بخش حساب کاربری یک کلید بسازید. کلید با پیشوند sk-apx- شناخته میشود و برای امنیت فقط یکبار کامل نمایش داده میشود.
- 3
تنظیم متغیر محیطی
کلید را در متغیر محیطی APX24_API_KEY نگه دارید — هرگز داخل کد هاردکد نکنید و آن را commit نکنید.
- 4
پیکربندی ChatOpenAI
نام مدل و base_url را به اپکس۲۴ اشاره بدهید؛ از این لحظه همهٔ متدهای Runnable روی llm در دسترساند.
اولین زنجیرهٔ LCEL را چطور با prompt | model | parser بسازیم؟
حالا که llm آماده است، زنجیرهٔ اول را بسازیم: یک ChatPromptTemplate که ورودی کاربر را قالببندی میکند، مدل که پاسخ میسازد و StrOutputParser که AIMessage را به یک رشتهٔ سادهٔ پایتون تبدیل میکند. این الگوی سهجزئی اسکلت بیشتر زنجیرههای واقعی است؛ بعد از این فقط جزء جدید — رتریور، حافظهٔ گفتگو، پارسر ساختاریافته — به همین اسکلت اضافه میشود.
چطور از یک زنجیرهٔ LCEL استریم و batch بگیریم؟
بزرگترین مزیت LCEL این است که استریم و batch را «مجانی» میدهد: برای stream=true هیچ کار اضافهای لازم نیست؛ متد stream خودش پارامتر streaming را به endpoint میفرستد و chunk به chunk تحویل میدهد. یعنی همان زنجیرهای که با invoke نوشتید، بدون تغییر حتی یک خط، برای UI چت و برای پردازش دستهای آماده است.
چطور با RunnableParallel یک زنجیرهٔ چندشاخه (RAG) بسازیم؟
خیلی از زنجیرههای واقعی به بیش از یک ورودی همزمان نیاز دارند؛ معروفترین حالت، RAG یا Retrieval-Augmented Generation است: هم «سند بازیابیشده» و هم «سؤال کاربر» باید به پرامپت برسند. در LCEL، RunnableParallel دقیقاً همین کار را میکند: یک ورودی را میگیرد، بهطور موازی به چند شاخه میفرستد و نتایج را در یک dict جمع میکند تا جزء بعدی زنجیره مصرف کند.
نکتهٔ ظریف اما مهم: هر جا در زنجیره یک dict لفظی از Runnableها بگذارید، لنگچین آن را خودکار به RunnableParallel تبدیل میکند؛ پس {"context": retriever, "question": RunnablePassthrough()} هم معتبر است. RunnablePassthrough ورودی را بدون تغییر عبور میدهد و RunnableLambda هر تابع معمولی پایتون را به یک Runnable تبدیل میکند تا بتوان آن را با | زنجیر کرد.
| جزء | کارکرد | نمونهٔ استفاده |
|---|---|---|
| RunnableSequence (با |) | اجرای سریالی: خروجی هر جزء، ورودی جزء بعدی | prompt | llm | parser |
| RunnableParallel (یا dict لفظی) | اجرای موازی چند شاخه و جمع نتایج در dict | RunnableParallel(context=retriever, question=RunnablePassthrough()) |
| RunnablePassthrough | عبور ورودی بدون هیچ تغییری | question=RunnablePassthrough() |
| RunnableLambda | تبدیل هر تابع پایتون به Runnable قابلزنجیره | RunnableLambda(lookup_docs) |
| دکوراتور @chain | تعریف Runnable سفارشی بهصورت تابع | @chain\ndef clean(text: str) -> str: ... |
| with_fallbacks / with_retry | مقاومسازی در برابر خطا و قطعی | llm.with_fallbacks([llm2]) |
چطور زنجیرهٔ LCEL را با fallback و retry مقاوم کنیم؟
در production، مدل اول همیشه در دسترس نیست: ممکن است قطعی موقت، rate limit یا خطای شبکه رخ دهد. LCEL دو ابزار استاندارد برای این دارد: with_retry همان Runnable را چند بار با فاصلهٔ نمایی (exponential backoff) تلاش میکند و with_fallbacks در صورت شکست نهایی، سراغ Runnable جایگزین میرود. ترکیب این دو، الگوی استاندارد مقاومسازی زنجیره است و چون هر دو خودش Runnable برمیگردانند، در هر نقطهای از زنجیره قابل نصباند.
برای زنجیرهٔ LCEL کدام مدل اپکس۲۴ را انتخاب کنیم؟
این اختلاف حدوداً ۳۰ برابری قیمت بین Luna و Astra نشان میدهد انتخاب مدل، گرانترین تصمیم معماری زنجیرهٔ شماست. خبر خوب اینکه در LCEL بهخاطر یکسان بودن اینترفیس، عوض کردن مدل یعنی تغییر یک رشته؛ پس با مدل متوازن شروع کنید، لاگ مصرف را ببینید و بعد بر اساس دادهٔ واقعی بهینه کنید — نه بر اساس حدس.
رایجترین اشتباهات و خطاهای LCEL چیست و چطور رفع میشود؟
قانون سرانگشتی دیباگ: خطاهای KeyError از ناسازگاری کلیدها میآیند، خطاهای 401 از پیکربندی و خطاهای 429 از فشار نرخ. اگر زنجیره پیچیده شد، هر شاخه را جداگانه invoke کنید تا مقصر پیدا شود؛ چون هر جزء یک Runnable مستقل است، این تست جداگانه همیشه ممکن است و نیازی به کامنتکردن نصف کد نیست.
قدم بعدی بعد از تسلط بر سینتکس LCEL چیست؟
سینتکس LCEL زبان مشترک همهٔ مقالات بعدی این سری است؛ هر چه جلوتر بروید — از function calling تا Agentها — همان الگوی اتصال اجزا با | تکرار میشود. بهترین تمرین همین حالا، بازنویسی یکی از اسکریپتهای فعلی خودتان به LCEL است: تفاوت را هم در تعداد خطوط خواهید دید و هم در راحتی افزودن استریم و خطاها.
- استریم پیشرفته در LCEL و نمایش زنده در UI چت
- Function calling و tool calling داخل زنجیره
- مدیریت حافظهٔ گفتگو (memory) با شاخههای موازی
- ساخت RAG واقعی با vectorstore و رتریور برداری
- پایش مصرف و کیفیت زنجیره با LangSmith




