跳到内容
当前位置:首页>Excel>LangChain 学习笔记(三):提示词模板与输出解析

LangChain 学习笔记(三):提示词模板与输出解析

  • 2026-11-15 08:19:36
LangChain 学习笔记(三):提示词模板与输出解析

一、提示词模板(Prompts)

什么是提示词模板

在大模型应用开发中,我们通常需要根据不同的用户输入来构造不同的Prompt。如果每次都手动拼接字符串,不仅代码冗余,还容易出错。提示词模板(Prompt Template)的核心思想是将Prompt中的固定部分与可变部分分离,通过定义模板 + 传入变量的方式,动态生成最终的Prompt。

核心价值:

优势
说明
复用性
一次定义模板,多次使用不同参数
参数化
支持变量插值和动态内容生成
标准化
统一管理所有提示词,便于维护和版本控制
优化友好
独立的模板便于A/B测试和提示词工程

提示词模板类型概览

LangChain围绕不同的使用场景,提供了多种提示模板类型。在学习具体类型之前,先从全局视角了解它们的定位:

  • Prompt Template 字符串模板

  • ChatPrompt Template 聊天模板

  • Messages Placeholder 消息占位符

  • FewShot Prompt 少样本模板

提示词模板工作原理

在深入各类模板之前,先理解它们的统一工作原理。所有提示词模板都遵循相同的处理流程:

变量值 → PromptTemplate → PromptValue → 聊天模型 / LLM

工作流程:

  1. 输入:传入变量值(通常以字典形式,如 {"topic": "AI"};若变量已通过partial预先填充,可不传)
  2. 格式化:模板将变量值插入到预定义的占位符位置
  3. 输出:生成 PromptValue 对象(一种中间格式)
  4. 调用:PromptValue 可以自动适配聊天模型(转为消息列表)或LLM(转为字符串)

这种统一的输入输出机制,使得所有模板都可以在LCEL链中无缝使用。

PromptTemplate

这是最基础的提示词模板类型,适用于简单的文本生成场景——即字符串提示模板。它接收一个包含占位符的字符串模板,通过传入变量值来生成最终的 Prompt 。

from langchain_core.prompts import PromptTemplate# 方式一:使用from_templateprompt1 = PromptTemplate.from_template("讲一个关于{topic}的{adjective}故事")# 方式二:使用构造方法prompt2 = PromptTemplate(template="讲一个关于{topic}的{adjective}故事", input_variables=["topic", "adjective"])# 调用模板formatted_prompt1 = prompt1.invoke({"topic": "广东话", "adjective": "搞笑的"})print(formatted_prompt1)formatted_prompt2 = prompt2.invoke({"topic": "广东话", "adjective": "搞笑的"})print(formatted_prompt2)

我们发现这里也有invoke 方法,几乎所有的 langchain 组件都实现了 Runnable 接口,所以都可以调用该接口提供的统一标准方法。

  • 模型实例对象组件
  • 提示词模板对象组件
  • 记忆对象组件
  • Chains 对象组件
  • 工具对象组件
  • Agent 对象组件
Key Methods===========- `invoke`/`ainvoke`: Transforms a single input into an output.- `batch`/`abatch`: Efficiently transforms multiple inputs into outputs.- `stream`/`astream`: Streams output from a single input as it's produced.- `astream_log`: Streams output and selected intermediate results from an input.

当模板中有些变量的值是固定的或可以提前确定时,可以使用 partial 机制预先填充部分变量,减少后续调用时需要传入的参数数量。

from langchain_core.prompts import PromptTemplate# 方式一:使用from_templateprompt1 = PromptTemplate.from_template("讲一个关于{topic}的{adjective}故事")fixed_prompt_1 = prompt1.partial(adjective="有趣的")print(fixed_prompt_1.invoke({"topic": "编程"}))# 方式二:使用构造方法prompt2 = PromptTemplate(template="请解释{concept},使用{style}风格", input_variables=["concept"],                         partial_variables={"style": "简单易懂"})print(prompt2.invoke({"concept": "递归"}))

如何选择?

  • 优先用 partial():当“固定值”是在运行时才确定,或需要分阶段逐步补全时

例:来自配置文件/环境变量/用户选择后再固定;或先固定 style,后续再固定 adjective。

优点:更灵活,适合链式构建与复用同一个基础模板。

  • 优先用 partial_variables:当“固定值”在定义模板时就确定,且希望模板对象一创建就自带默认常量时

例:文档里明确规定“统一用简单易懂风格”;团队约定的固定前缀/固定语气。

优点:模板更“自描述”,一眼能看出哪些变量是固定的,适合沉淀为通用模板。

  • 简单决策表

    • 固定值 是否依赖运行时上下文:是 → partial();否 → partial_variables

    • 是否需要 多次派生不同版本(同一模板固定不同值):是 → partial() 更方便

    • 是否想把“默认值/常量”写死在模板定义处:是 → partial_variables

ChatPromptTemplate

PromptTemplate 生成的是一个纯字符串Prompt,而在多轮对话场景中,大模型需要接收的是消息列表(包含角色信息的多条消息)。ChatPromptTemplate——即聊天提示模板——正是为此设计的,它可以构建包含 system、human、ai 等不同角色的消息序列。

from langchain_core.prompts import ChatPromptTemplate# 使用from_messages构造(推荐)chat_prompt = ChatPromptTemplate.from_messages(    [("system", "你是一个专业的{role}。"),     ("human", "请回到我关于{topic}的问题。"),     ("ai", "好的,我会尽力回答。"),     ("human", "question")     ])# 调用模板,生成消息列表messages = chat_prompt.invoke({    "role": "Python编程助手",    "topic": "Python装饰器",    "question": "什么是装饰器?"})print(messages)

其中,元组的第一个元素是角色标识,第二个元素是消息内容模板。LangChain支持的角色标识包括:

角色标识
对应消息类型
用途
"system"SystemMessage
设定AI的行为规范和角色
"human"HumanMessage
用户输入的消息
"ai"AIMessage
AI的回复消息

除了元组形式,也可以直接使用Message对象来构造模板。两种方式可以混合使用:

from langchain_core.messages import HumanMessage, SystemMessage, AIMessagechat_prompt = ChatPromptTemplate.from_messages(    [SystemMessage(content="你是一个专业的Python编程助手。"),  # 固定内容     HumanMessage(content="请回到我关于Python装饰器的问题。"),  # 固定内容     AIMessage(content="好的,我会尽力回答。"),  # 固定内容     ("human", "question")  # 含变量的用元组形式     ])messages = chat_prompt.invoke({"question": "什么是装饰器?"                               })print(messages)

选择建议:如果消息内容是固定的(不包含变量),用 Message 对象更直观;如果内容包含需要填充的变量,用元组形式更简洁。

MessagesPlaceholder

在实际的对话应用中,我们往往需要将历史对话记录动态插入到Prompt中。MessagesPlaceholder 允许你在模板中预留一个"插槽",运行时将一个消息列表整体插入到该位置。

这在构建带记忆的对话系统时尤为常用。

MessagesPlaceholder ----> BaseMessagePromptTemplatePromptTemplate -----> StringPromptTemplate ----> BasePromptTemplateChatPromptTemplate ----> BaseChatPromptTemplate ----> BasePromptTemplate
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom langchain_core.messages import HumanMessage, AIMessageprompt = ChatPromptTemplate.from_messages([    ("system", "你是AI助手"),    MessagesPlaceholder(variable_name="history"),    ("human", "{input}")])messages = prompt.invoke({    "history": [        HumanMessage(content="什么是Python?"),        AIMessage(content="Python是一种通用编程语言。"),    ],    "input": "它有什么特点?"})print(messages)

注意:history 变量在格式化的时候一定是一个列表类型

也可以使用更简洁的元组语法实现同样的效果:

# 等价写法,使用("placeholder", ...)语法prompt2 = ChatPromptTemplate.from_messages([    ("system", "你是AI助手"),    ("placeholder", "{history}"),    ("human", "{input}")])messages = prompt2.invoke({    "history": [        ("human", "什么是Python?"),        ("ai", "Python是一种通用编程语言。"),    ],    "input": "它有什么特点?"})print(messages)

FewShotPromptTemplate

前面介绍的模板解决了"如何动态构建Prompt"的问题。但在实际应用中,我们经常需要通过提供示例来引导模型理解任务模式——这就是少样本提示模板。FewShotPromptTemplate 将示例数据和格式化模板组合在一起,自动生成包含示例的完整Prompt。

生成的Prompt结构为:prefix + 示例1 + 示例2 + ... + suffix。

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate# 第一步:准备示例数据examples = [    {"input": "高兴", "output": "开心"},    {"input": "难过", "output": "悲伤"},    {"input": "生气", "output": "愤怒"}]# 第二步:定义单条示例的格式化模板example_formatter = PromptTemplate(    template="输入: {input}\n输出: {output}",    input_variables=["input", "output"])# 第三步:创建少样本提示模板few_shot_prompt = FewShotPromptTemplate(    examples=examples,    example_prompt=example_formatter,    prefix="以下是一些同义词转换的例子:",  # 示例前的说明文字    suffix="\n输入: {input}\n输出:",  # 示例后的实际问题    input_variables=["input"])# 调用message = few_shot_prompt.invoke({"input": "兴奋"})print(message)

提示词模板最佳实践

实践
说明
示例
清晰的指令
明确告诉模型要做什么
"请翻译..." → "将以下文本从中文翻译成英文..."
提供示例
使用少样本学习引导模型
使用 FewShotPromptTemplate
角色设定
使用系统消息设定角色
"你是一个有10年经验的Python工程师"
约束条件
明确限制和约束
"不超过100字"、"只回答与Python相关的问题"

小结:第一节介绍了LangChain提供的各类提示词模板。从简单的 PromptTemplate(字符串模板)到 ChatPromptTemplate(聊天模板),再到 FewShotPromptTemplate(少样本模板)它们解决的核心问题是如何灵活、可维护地构建Prompt。有了结构化的Prompt之后,下一个问题自然是:模型返回的结果如何解析为我们需要的结构化数据?这就是第二节要讨论的输出解析器。

二、输出解析器(Output Parsers)

为什么需要输出解析器

在对话场景中,大模型直接返回自然语言文本即可。但在实际生产环境中,我们通常需要将大模型用于非对话场景(如数据提取、内容生成流水线等),此时需要模型以结构化的格式(如JSON、列表)输出结果,以便程序进一步处理。

LangChain在 langchain_core.output_parsers 包中提供了一系列输出解析器,专门解决"如何将模型的自然语言输出转换为结构化数据"这一问题。

要让大模型输出结构化数据,有两种基本策略:

策略
方式
可靠性
适用场景
Prompt约束
在提示词中要求模型输出指定格式
依赖模型能力,可能出现格式错误
通用,任何模型都支持
厂商原生能力
使用API提供的结构化输出参数
由API层面保证格式正确
需要厂商支持(OpenAI、Google等)

下面分别介绍这两种策略的具体实现。

策略一:通过Prompt约束(JsonOutputParser)

JsonOutputParser 的工作原理是:将你定义的JSON Schema转化为一段格式说明文字,插入到Prompt中,引导模型按照指定结构输出JSON。

使用步骤:

  1. 通过Pydantic定义目标JSON结构
  2. 构造 JsonOutputParser 实例
  3. 调用 get_format_instructions() 获取格式说明,插入到Prompt中
  4. 调用模型并用解析器解析结果
from langchain_core.output_parsers import JsonOutputParserfrom pydantic import BaseModel, Fieldfrom langchain_ollama import ChatOllamallm = ChatOllama(model="qwen3:8b", base_url="http://localhost:11434")# 1. 定义目标JSON 结构class Prime(BaseModel):    prime: list[int] = Field(description="素数")    count: list[int] = Field(description="小于该素数的素数个数")# 2. 构造解析器json_parser = JsonOutputParser(pydantic_object=Prime)# 3. 将格式说明放入SystemMessagesystem_message = json_parser.get_format_instructions()print(system_message) #res = llm.invoke([("system", system_message),            ("human", "任意生成5个1000-100000之间的素数,并标出小于该素数的素数个数")])print(res.content)# 4. 解析为Python字典parsed_res = json_parser.invoke(res)print(type(parsed_res))  # <class 'dict'>print(parsed_res)

JsonOutputParser 如果没有参数的话,get_format_instructions 返回的内容为 Return a JSON object.

Pydantic 是 Python 里做数据校验和设置管理的库,核心是用类型注解来定义数据结构,运行时自动帮你校验、转换和序列化数据。简单来说,你可以用它定义一个数据模型类,Pydantic 会确保传入的数据符合你定义的结构和类型。

from pydantic import BaseModel, Field# 定义一个数据模型class User(BaseModel):    name: str                    # 名字必须是字符串    age: int                     # 年龄必须是整数    email: str = Field(description="用户的邮箱地址")# 创建实例 - 数据会自动校验和转换user = User(name="张三", age=25, email="zhangsan@example.com")print(user.name)   # 张三print(user.age)    # 25# 类型不匹配时,Pydantic会自动尝试转换user2 = User(name="李四", age="30")  # age是字符串"30",会自动转为整数30print(user2.age)   # 30 (已自动转换为int)# 数据不合法时会抛出错误# User(name="王五", age="abc")  # 报错:无法将"abc"转为整数

Pydantic的核心价值:

  • 类型安全:自动校验数据类型
  • 自动转换:能转换的类型会自动处理(如字符串"30" → 整数30)
  • 清晰的错误提示:校验失败时给出详细的错误信息
  • JSON支持:可以轻松与JSON数据互相转换

策略二:通过厂商原生能力

主流大模型厂商的API已经提供了专门的参数,在API层面强制模型输出符合指定Schema的结构化数据,比Prompt约束更加可靠。

OpenAI示例:

from openai import OpenAIfrom pydantic import BaseModelclient = OpenAI()class CalendarEvent(BaseModel):    name: str    date: str    participants: list[str]response = client.chat.completions.parse(    model="gpt-4o-mini",    messages=[        {"role": "user", "content": "Alice and Bob are going to a science fair on Friday."}    ],    response_format=CalendarEvent)print(response.choices[0].message.parsed)# CalendarEvent(name='Science Fair', date='Friday', participants=['Alice', 'Bob'])

注意:它不是给模型输入的参数,而是告诉 API:把模型生成的内容按你提供的结构(这里是CalendarEvent这个Pydantic模型)进行约束/引导生成 + 结果解析与校验,并把解析后的对象放到 response.choices[0].message.parsed。

输入阶段仍然是 messages; response_format 影响的是模型该如何组织输出

LangChain统一封装:with_structured_output

LangChain提供了 with_structured_output() 方法,将不同厂商的结构化输出能力统一到同一个接口下。无论底层使用哪家模型,调用方式完全一致:

from dotenv import load_dotenvfrom langchain_deepseek import ChatDeepSeekfrom pydantic import BaseModel# 1. 初始化LLMload_dotenv()llm = ChatDeepSeek(model_name="deepseek-flash", temperature=0,                   extra_body={"thinking": {"type": "disabled"}},  # 关键:关思考                   )# 2. 定义Pydantic模型class CalendarEvent(BaseModel):    name: str    date: str    participants: list[str]# 3. 使用with_structured_output,返回一个新的Runnablestructured_llm = llm.with_structured_output(schema=CalendarEvent)# 4. 调用,直接返回Pydantic对象result = structured_llm.invoke("Alice and Bob are going to a science fair on Friday.")print(result)  # CalendarEvent(name='Science Fair', date='Friday', participants=['Alice', 'Bob'])print(type(result))  # <class 'CalendarEvent'>

DeepSeek 官方文档:thinking 模式默认开,结构化输出/工具调用前先关掉。

核心优势:如果后续需要更换模型(如从OpenAI切换到Anthropic),只需修改LLM的初始化代码,with_structured_output 的调用方式无需任何改动。

其他常用输出解析器

除了JSON解析,LangChain还提供了多种面向不同数据格式的输出解析器。

https://reference.langchain.com/python/langchain-core/output-parsers

最简单的解析器,将模型输出的 AIMessage 对象提取为纯字符串。它是构建链时最常用的解析器:

from langchain_core.output_parsers import StrOutputParserparser = StrOutputParser()# 通常在LCEL链中使用:chain = prompt | llm | StrOutputParser()

它让大模型输出符合Pydantic模型定义的结构化数据,并返回经过校验的Pydantic对象实例。

与 JsonOutputParser 返回普通字典不同,PydanticOutputParser 返回的是Pydantic对象,因此支持字段级别的校验规则:

from dotenv import load_dotenvfrom langchain_core.output_parsers import PydanticOutputParserfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_deepseek import ChatDeepSeekfrom pydantic import BaseModel, Field, field_validator# 1. 初始化LLMload_dotenv()llm = ChatDeepSeek(model_name="deepseek-flash", temperature=0,                   extra_body={"thinking": {"type": "disabled"}},  # 关键:关思考                   )# 2. 定义Pydantic模型class MovieReview(BaseModel):    """电影评论结构"""    title: str = Field(description="电影标题")    rating: int = Field(description="评分,1-10分", ge=1, le=10)    summary: str = Field(description="剧情简介")    recommended: bool = Field(description="是否推荐")    @field_validator('rating')    @classmethod    def rating_must_be_valid(cls, v):        if v < 1 or v > 10:            raise ValueError('评分必须在1-10之间')        return v# 3. 定义输出解析器parser = PydanticOutputParser(pydantic_object=MovieReview)# 4. 将格式说明注入到Prompt中prompt = ChatPromptTemplate.from_messages([    ("system", "{format_instructions}"),    ("human", "评价电影《盗梦空间》")]).partial(format_instructions=parser.get_format_instructions())chain = prompt | llm | parserresult = chain.invoke({})print(f"电影: {result.title}, 评分: {result.rating}/10")

两个都是提示词(输入的一部分); 它们约束的是模型的文本输出格式。输出先是 JSON 文本,之后才可能被解析成 Python 对象。

自定义输出解析器

当内置解析器无法满足需求时,可以继承 BaseOutputParser 创建自定义解析器:

from langchain_core.output_parsers import BaseOutputParserclass CommaListParser(BaseOutputParser):    """将逗号分隔的文本解析为列表"""    def parse(self, text: str):        # 去除空白后按逗号分割        return [item.strip() for item in text.split(",")]# 使用parser = CommaListParser()result = parser.parse("苹果, 香蕉, 橘子")print(result)  # ['苹果', '香蕉', '橘子']

输出解析器选型指南

场景
推荐方案
原因
生产环境结构化输出
with_structured_output()
厂商原生支持,格式有保证
通用JSON提取
JsonOutputParser
灵活,不依赖特定厂商
需要字段校验
PydanticOutputParser
支持Pydantic校验规则
简单文本输出
StrOutputParser
最轻量,无额外开销
特殊格式
自定义 BaseOutputParser
完全可控

小结:第二节围绕"如何解析模型输出",介绍了从Prompt约束到厂商原生能力,再到LangChain统一封装的多种方案。在实际开发中,我们需要将提示词模板、模型调用、输出解析这三个步骤串联起来使用。如何优雅地组合这些组件?这就是第三节的核心主题——Chains链式调用。


Chains 链式调用

在开发大模型应用时,单一组件的能力有限。真正强大的应用需要将多个组件组合起来,形成完整的工作流程。Chain(链) 正是解决这个问题的核心机制。

Chain的核心概念

简单来说,Chain是将多个组件按特定顺序组合起来完成复杂任务的工作流或管道(Pipeline)。

你可以把它想象成一个流水线:原材料(输入)经过一系列加工步骤(LLM调用、工具使用、数据转换等),最终成为成品(输出)。

虽然LLM本身很强大,但大多数实际应用需要多个步骤:

1. 接收用户输入2. 根据输入构建提示(Prompt)3. 将提示发送给LLM4. 解析LLM的输出5. 根据输出可能再执行其他操作(如调用API、查询数据库等)6. 将最终结果返回给用户

Chain的本质是自动化和封装——让我们能像搭积木一样构建复杂AI应用,使用起来却像调用一个函数一样简单。

Runnable接口

LangChain所有核心组件都实现了统一的Runnable接口。这是LangChain最底层的抽象,代表一个"可以被调用、批处理、流式传输和组合的工作单元"。

  • 定位:LangChain中的抽象基类(ABC)
  • 核心理念:"一切可执行的对象都应该有统一的调用方式"

Runnable核心方法

方法
作用
适用场景
invoke
同步调用单个输入
简单单次请求
batch
批量处理多个输入
批量数据处理
stream
流式处理输入
实时输出展示
ainvoke
异步调用单个输入
异步编程环境
abatch
异步批量处理
高性能批量处理

几乎所有的LangChain核心组件都实现了Runnable接口:

组件类型
示例
提示模板
PromptTemplate, ChatPromptTemplate
语言模型
ChatOpenAI, ChatOllama
输出解析器
StrOutputParser, JsonOutputParser
工具
Tool
整个链
任何LCEL链

有了统一的Runnable接口,所有组件都可以用相同的方式调用:

prompt.invoke({"topic": "AI"}) # 提示模板model.invoke(prompt_value) # 语言模型parser.invoke(ai_message) # 输出解析器chain.invoke({"question": "你好"}) # 整个链

本质:接口统一让组件具备了"即插即用"的能力,这直接催生了 LCEL。

LCEL表达式语言

LCEL(LangChain Expression Language)是LangChain提供的声明式组合语言,专门用于组合Runnable组件。

  • 核心操作符:管道符 |
  • 核心思想:使用 | 将多个Runnable像拼积木一样组合起来
# 典型的LCEL链式写法# 1 prompt.invoke 2. model.invoke 3. output_parser.invokechain = prompt | model | output_parser# Chain本身也是Runnable,可以继续调用result = chain.invoke({"topic": "编程"})
基础语法示例
两个组件连接:
from langchain_core.prompts import ChatPromptTemplatefrom langchain.chat_models import init_chat_modelprompt = ChatPromptTemplate.from_template("请用{tone}风格回答:{question}")model = init_chat_model(model="gpt-3.5-turbo")# LCEL组合 - 像拼积木一样简单chain = prompt | modelchain.invoke({    "tone": "幽默",    "question": "什么是人工智能?"})
三个组件连接:
from langchain_core.output_parsers import StrOutputParserparser = StrOutputParser()# LCEL组合chain = prompt | model | parserchain.invoke({    "tone": "幽默",    "question": "什么是人工智能?"})

LCEL的核心优势

优势
说明
组合后的链自动拥有所有Runnable能力
支持invoke/stream/batch等全部方法
链本身也是Runnable,可以继续组合
可以将链作为组件,构建更复杂的链
声明式方式,可读性更高
管道符连接,逻辑一目了然

LCEL之所以强大,是因为它背后有丰富的Runnable组合器。这些组合器让我们能够构建各种复杂逻辑。

作用:将多个Runnable按顺序连接成处理管道,前一个的输出作为后一个的输入。

from langchain_core.runnables import RunnableSequence, RunnableLambda# 显式创建序列sequence_chain = RunnableSequence(    first=RunnableLambda(lambda x: x.upper()),  # 第一步:转换大写    middle=[RunnableLambda(lambda x: f"HELLO {x} !")],  # 第二步:加装饰    last=RunnableLambda(lambda x: f"最终:{x}")  # 第三步:加前缀)result = sequence_chain.invoke("world")print(result)  # 最终:HELLO WORLD !

LCEL等价写法(推荐):

chain = (    RunnableLambda(lambda x: x.upper())    | RunnableLambda(lambda x: f"HELLO {x} !")    | RunnableLambda(lambda x: f"最终:{x}"))

说明:LCEL的 | 运算符底层就是创建 RunnableSequence ,推荐使用更简洁的LCEL写法。

作用:同时执行多个Runnable,将结果合并为一个字典。

from langchain_core.runnables import RunnableParallel, RunnableLambda# 创建并行任务parallel_chain = RunnableParallel({    "length": RunnableLambda(lambda x: len(x)),  # 计算长度    "uppercase": RunnableLambda(lambda x: x.upper()),  # 转大写    "reversed": RunnableLambda(lambda x: x[::-1]),  # 反转字符串    "word_count": RunnableLambda(lambda x: len(x.split()))  # 单词计数})result = parallel_chain.invoke("Hello World LangChain")# 输出:# {# 'length': 24,# 'uppercase': 'HELLO WORLD LANGCHAIN',# 'reversed': 'niahCgnaL dlroW olleH',# 'word_count': 3# }

工作原理:

  • 同一份输入广播 : 调用 invoke(x) 时,它把同一个输入 x 传给字典里每个 runnable
  • 并发执行 : 这些 runnable 会被调度为并行/并发运行(在 LangChain 的 runnable 运行时里实现; 对纯 RunnableLambda 这种本地计算,通常是并发调度;对网络 I/O(LLM/检索)收益更明显)。
  • 收集并合并结果 : 等全部分支都完成后,把每个分支的输出按 key 组装成一个 dict

LCEL等价写法(推荐):

# 字典语法自动创建RunnableParallelchain = {    "length": RunnableLambda(lambda x: len(x)),    "uppercase": RunnableLambda(lambda x: x.upper()),    "reversed": RunnableLambda(lambda x: x[::-1]),    "word_count": RunnableLambda(lambda x: len(x.split()))}# 不能单独用,单独用实际是个字典不能invoke,如果想使用一定要是一个链chain

LCEL 字典语法为什么等价?

在 LCEL 中,链里出现一个字典就会被自动编译为 RunnableParallel ;也就是说 {key: runnable} 是一种语法糖,运行时机制与 RunnableParallel({...}) 相同。

说明:每个分支是相互独立的;如果你想“某个分支依赖另一个分支的结果”,就不适合并行分叉,而要用顺序链( | )或先并行后再用一个 RunnableLambda 做汇总/计算。

实际应用:先并行生成多个结果,再汇总:

from langchain.chat_models import init_chat_modelfrom langchain_core.prompts import PromptTemplatefrom langchain_core.output_parsers import StrOutputParserllm = init_chat_model(model="gpt-4o-mini", model_provider="openai")# 两个并行的解析链paragraph_1_chain = (    PromptTemplate.from_template("对这首诗做解析,分析含义:{poem}")    | llm | StrOutputParser())paragraph_2_chain = (    PromptTemplate.from_template("对这首诗做解析,分析意境:{poem}")    | llm | StrOutputParser())# 汇总链summary_chain = (PromptTemplate.from_template(    "第一种解析:{paragraph_1}\n\n第二种解析:{paragraph_2}\n\n请比较哪个更好,为什么") | llm | StrOutputParser())# 先并行,后汇总full_chain = {    "paragraph_1": paragraph_1_chain,    "paragraph_2": paragraph_2_chain,} | summary_chainresp = full_chain.invoke({"poem": "菩提本无树,明镜亦非台,本来无一物,何处惹尘埃。"})print(resp)

作用:将输入原样传递到输出,常用于保留原始输入的同时添加新字段。

from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_template(    "请回答以下问题:{question}\n\n相关背景:{context}")chain = (    {        "question": RunnablePassthrough(),  # 用户问题原样传递        "context": lambda x: retrieve_context(x)  # 检索相关上下文    }    | prompt    | llm    | StrOutputParser())

RAG典型用法——保留问题 + 检索上下文:

from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_template(    "请回答以下问题:{question}\n\n相关背景:{context}")chain = (    {        "question": RunnablePassthrough(),  # 用户问题原样传递        "context": lambda x: retrieve_context(x)  # 检索相关上下文    }    | prompt    | llm    | StrOutputParser())

作用:将普通Python函数包装为Runnable,使其可以在LCEL链中使用

from langchain_core.runnables import RunnableLambdadef extract_domain(url):    """从URL中提取域名"""    return url.split('//')[-1].split('/')[0]def add_protocol(domain):    """添加协议前缀"""    return f"http://{domain}"# 包装成Runnabledomain_extractor = RunnableLambda(extract_domain)protocol_adder = RunnableLambda(add_protocol)# 在链中使用url_processor = domain_extractor | protocol_adderresult = url_processor.invoke("https://www.example.com/path")# 输出:"http://www.example.com"

Runnable接口提供的完整方法集:

方法
说明
示例
invoke
同步单次调用
chain.invoke({"topic": "AI"})
stream
流式输出
for chunk in chain.stream({...})
batch
批量处理
chain.batch([{"topic": "AI"}, {"topic": "猫"}])
ainvoke
异步调用
await chain.ainvoke({...})
astream
异步流式
async for chunk in chain.astream({...})
abatch
异步批量
await chain.abatch([...])

构建对话系统时,需要让链"记住"之前的对话内容:

from langchain_core.runnables.history import RunnableWithMessageHistoryfrom langchain_core.chat_history import InMemoryChatMessageHistoryfrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom langchain_openai import ChatOpenAI# 创建会话存储(以session_id为key)store = {}def get_session_history(session_id: str):    """获取会话历史记录"""    if session_id not in store:        store[session_id] = InMemoryChatMessageHistory()    return store[session_id]# 创建基础链prompt = ChatPromptTemplate.from_messages([    ("system", "你是AI助手"),    MessagesPlaceholder(variable_name="history"),    ("human", "{input}")])llm = ChatOpenAI(model="gpt-4o-mini")chain = prompt | llm# 包装为带历史记录的链chain_with_history = RunnableWithMessageHistory(    chain,    get_session_history,    input_messages_key="input",    history_messages_key="history")# 使用时指定session_idresponse_1 = chain_with_history.invoke(    {"input": "我叫张三"},    config={"configurable": {"session_id": "user123"}})print(response_1.content)# 后续对话会自动携带历史response_2 = chain_with_history.invoke(    {"input": "我叫什么名字?"},    config={"configurable": {"session_id": "user123"}})print(response_2.content)# AI会回答"你叫张三",因为历史记录中有这个信息

高级模式

错误处理与重试

# 使用with_retry自动重试chain_with_retry = prompt | llm.with_retry(stop_after_attempt=3) | parser

回退机制

主模型失败时自动切换备用模型:

primary_llm = ChatOpenAI(model="gpt-4o")fallback_llm = ChatOpenAI(model="gpt-4o-mini")chain_with_fallback = prompt | primary_llm.with_fallbacks([fallback_llm]) | parser

小结

核心概念总结

主题
核心要点**
关键API
提示词模板
管理和参数化Prompt
PromptTemplate, ChatPromptTemplate
输出解析器
将模型输出转为结构化数据
StrOutputParser, JsonOutputParser
结构化输出
厂商原生能力保证格式
with_structured_output()
Runnable接口
统一的调用方式
invoke, stream, batch
LCEL
管道符组合组件
chain = prompt | llm | parser
Runnable组合器
构建复杂逻辑
RunnableParallel, RunnablePassthrough

代码模板速查

# 基础链chain = prompt | llm | StrOutputParser()result = chain.invoke({"topic": "AI"})# 结构化输出class Result(BaseModel):    answer: str    confidence: floatstructured_llm = llm.with_structured_output(Result)# 并行链parallel = {    "en": translate_chain_en,    "kr": translate_chain_kr}# 带对话历史chain_with_history = RunnableWithMessageHistory(chain, get_session_history, ...)

选型建议

场景
推荐
简单文本生成
StrOutputParser
结构化数据
with_structured_output
多轮对话
ChatPromptTemplate + RunnableWithMessageHistory
批量处理
batch()
基本 文件 流程 错误 SQL 调试
  1. 请求信息 : 2026-11-22 15:31:54 HTTP/1.1 GET : http://h.sjds.net/a/580551.html
  2. 运行时间 : 0.075669s [ 吞吐率:13.22req/s ] 内存消耗:4,353.88kb 文件加载:140
  3. 缓存信息 : 0 reads,0 writes
  4. 会话信息 : SESSION_ID=04e276ccefa3ab8248bd80b10119c121
  1. /www/wwwroot/h.sjds.net/public/index.php ( 0.79 KB )
  2. /www/wwwroot/h.sjds.net/vendor/autoload.php ( 0.17 KB )
  3. /www/wwwroot/h.sjds.net/vendor/composer/autoload_real.php ( 2.49 KB )
  4. /www/wwwroot/h.sjds.net/vendor/composer/platform_check.php ( 0.90 KB )
  5. /www/wwwroot/h.sjds.net/vendor/composer/ClassLoader.php ( 14.03 KB )
  6. /www/wwwroot/h.sjds.net/vendor/composer/autoload_static.php ( 4.90 KB )
  7. /www/wwwroot/h.sjds.net/vendor/topthink/think-helper/src/helper.php ( 8.34 KB )
  8. /www/wwwroot/h.sjds.net/vendor/topthink/think-validate/src/helper.php ( 2.19 KB )
  9. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/helper.php ( 1.47 KB )
  10. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/stubs/load_stubs.php ( 0.16 KB )
  11. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Exception.php ( 1.69 KB )
  12. /www/wwwroot/h.sjds.net/vendor/topthink/think-container/src/Facade.php ( 2.71 KB )
  13. /www/wwwroot/h.sjds.net/vendor/symfony/deprecation-contracts/function.php ( 0.99 KB )
  14. /www/wwwroot/h.sjds.net/vendor/symfony/polyfill-mbstring/bootstrap.php ( 8.26 KB )
  15. /www/wwwroot/h.sjds.net/vendor/symfony/polyfill-mbstring/bootstrap80.php ( 9.78 KB )
  16. /www/wwwroot/h.sjds.net/vendor/symfony/var-dumper/Resources/functions/dump.php ( 1.49 KB )
  17. /www/wwwroot/h.sjds.net/vendor/topthink/think-dumper/src/helper.php ( 0.18 KB )
  18. /www/wwwroot/h.sjds.net/vendor/symfony/var-dumper/VarDumper.php ( 4.30 KB )
  19. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/App.php ( 15.30 KB )
  20. /www/wwwroot/h.sjds.net/vendor/topthink/think-container/src/Container.php ( 15.76 KB )
  21. /www/wwwroot/h.sjds.net/vendor/psr/container/src/ContainerInterface.php ( 1.02 KB )
  22. /www/wwwroot/h.sjds.net/app/provider.php ( 0.19 KB )
  23. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Http.php ( 6.04 KB )
  24. /www/wwwroot/h.sjds.net/vendor/topthink/think-helper/src/helper/Str.php ( 7.29 KB )
  25. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Env.php ( 4.68 KB )
  26. /www/wwwroot/h.sjds.net/app/common.php ( 0.03 KB )
  27. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/helper.php ( 18.78 KB )
  28. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Config.php ( 5.54 KB )
  29. /www/wwwroot/h.sjds.net/config/app.php ( 0.95 KB )
  30. /www/wwwroot/h.sjds.net/config/cache.php ( 0.78 KB )
  31. /www/wwwroot/h.sjds.net/config/console.php ( 0.23 KB )
  32. /www/wwwroot/h.sjds.net/config/cookie.php ( 0.56 KB )
  33. /www/wwwroot/h.sjds.net/config/database.php ( 2.48 KB )
  34. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/facade/Env.php ( 1.67 KB )
  35. /www/wwwroot/h.sjds.net/config/filesystem.php ( 0.61 KB )
  36. /www/wwwroot/h.sjds.net/config/lang.php ( 0.91 KB )
  37. /www/wwwroot/h.sjds.net/config/log.php ( 1.35 KB )
  38. /www/wwwroot/h.sjds.net/config/middleware.php ( 0.19 KB )
  39. /www/wwwroot/h.sjds.net/config/route.php ( 1.89 KB )
  40. /www/wwwroot/h.sjds.net/config/session.php ( 0.57 KB )
  41. /www/wwwroot/h.sjds.net/config/trace.php ( 0.34 KB )
  42. /www/wwwroot/h.sjds.net/config/view.php ( 0.82 KB )
  43. /www/wwwroot/h.sjds.net/app/event.php ( 0.25 KB )
  44. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Event.php ( 7.67 KB )
  45. /www/wwwroot/h.sjds.net/app/service.php ( 0.13 KB )
  46. /www/wwwroot/h.sjds.net/app/AppService.php ( 0.26 KB )
  47. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Service.php ( 1.64 KB )
  48. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Lang.php ( 7.35 KB )
  49. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/lang/zh-cn.php ( 13.70 KB )
  50. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/initializer/Error.php ( 3.31 KB )
  51. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/initializer/RegisterService.php ( 1.33 KB )
  52. /www/wwwroot/h.sjds.net/vendor/services.php ( 0.14 KB )
  53. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/service/PaginatorService.php ( 1.52 KB )
  54. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/service/ValidateService.php ( 0.99 KB )
  55. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/service/ModelService.php ( 2.04 KB )
  56. /www/wwwroot/h.sjds.net/vendor/topthink/think-trace/src/Service.php ( 0.77 KB )
  57. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Middleware.php ( 6.72 KB )
  58. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/initializer/BootService.php ( 0.77 KB )
  59. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/Paginator.php ( 11.86 KB )
  60. /www/wwwroot/h.sjds.net/vendor/topthink/think-validate/src/Validate.php ( 63.20 KB )
  61. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/Model.php ( 23.55 KB )
  62. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/model/concern/Attribute.php ( 21.05 KB )
  63. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/model/concern/AutoWriteData.php ( 4.21 KB )
  64. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/model/concern/Conversion.php ( 6.44 KB )
  65. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/model/concern/DbConnect.php ( 5.16 KB )
  66. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/model/concern/ModelEvent.php ( 2.33 KB )
  67. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/model/concern/RelationShip.php ( 28.29 KB )
  68. /www/wwwroot/h.sjds.net/vendor/topthink/think-helper/src/contract/Arrayable.php ( 0.09 KB )
  69. /www/wwwroot/h.sjds.net/vendor/topthink/think-helper/src/contract/Jsonable.php ( 0.13 KB )
  70. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/model/contract/Modelable.php ( 0.09 KB )
  71. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Db.php ( 2.88 KB )
  72. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/DbManager.php ( 8.52 KB )
  73. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Log.php ( 6.28 KB )
  74. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Manager.php ( 3.92 KB )
  75. /www/wwwroot/h.sjds.net/vendor/psr/log/src/LoggerTrait.php ( 2.69 KB )
  76. /www/wwwroot/h.sjds.net/vendor/psr/log/src/LoggerInterface.php ( 2.71 KB )
  77. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Cache.php ( 4.92 KB )
  78. /www/wwwroot/h.sjds.net/vendor/psr/simple-cache/src/CacheInterface.php ( 4.71 KB )
  79. /www/wwwroot/h.sjds.net/vendor/topthink/think-helper/src/helper/Arr.php ( 16.63 KB )
  80. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/cache/driver/File.php ( 7.84 KB )
  81. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/cache/Driver.php ( 9.03 KB )
  82. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/contract/CacheHandlerInterface.php ( 1.99 KB )
  83. /www/wwwroot/h.sjds.net/app/Request.php ( 0.09 KB )
  84. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Request.php ( 55.78 KB )
  85. /www/wwwroot/h.sjds.net/app/middleware.php ( 0.25 KB )
  86. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Pipeline.php ( 2.61 KB )
  87. /www/wwwroot/h.sjds.net/vendor/topthink/think-trace/src/TraceDebug.php ( 3.40 KB )
  88. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/middleware/SessionInit.php ( 1.94 KB )
  89. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Session.php ( 1.80 KB )
  90. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/session/driver/File.php ( 6.27 KB )
  91. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/contract/SessionHandlerInterface.php ( 0.87 KB )
  92. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/session/Store.php ( 7.12 KB )
  93. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Route.php ( 23.73 KB )
  94. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/route/RuleName.php ( 5.75 KB )
  95. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/route/Domain.php ( 2.53 KB )
  96. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/route/RuleGroup.php ( 22.43 KB )
  97. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/route/Rule.php ( 26.95 KB )
  98. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/route/RuleItem.php ( 9.78 KB )
  99. /www/wwwroot/h.sjds.net/route/app.php ( 1.72 KB )
  100. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/facade/Route.php ( 4.70 KB )
  101. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/route/dispatch/Controller.php ( 4.74 KB )
  102. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/route/Dispatch.php ( 10.44 KB )
  103. /www/wwwroot/h.sjds.net/app/controller/Index.php ( 4.81 KB )
  104. /www/wwwroot/h.sjds.net/app/BaseController.php ( 2.05 KB )
  105. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/facade/Db.php ( 0.93 KB )
  106. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/connector/Mysql.php ( 5.44 KB )
  107. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/PDOConnection.php ( 52.47 KB )
  108. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/Connection.php ( 8.39 KB )
  109. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/ConnectionInterface.php ( 4.57 KB )
  110. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/builder/Mysql.php ( 16.58 KB )
  111. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/Builder.php ( 24.06 KB )
  112. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/BaseBuilder.php ( 27.50 KB )
  113. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/Query.php ( 15.71 KB )
  114. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/BaseQuery.php ( 45.13 KB )
  115. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/concern/TimeFieldQuery.php ( 7.43 KB )
  116. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/concern/AggregateQuery.php ( 3.26 KB )
  117. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/concern/ModelRelationQuery.php ( 20.07 KB )
  118. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/concern/ParamsBind.php ( 3.66 KB )
  119. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/concern/ResultOperation.php ( 7.01 KB )
  120. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/concern/WhereQuery.php ( 19.37 KB )
  121. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/concern/JoinAndViewQuery.php ( 7.11 KB )
  122. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/concern/TableFieldInfo.php ( 2.63 KB )
  123. /www/wwwroot/h.sjds.net/vendor/topthink/think-orm/src/db/concern/Transaction.php ( 2.77 KB )
  124. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/log/driver/File.php ( 5.96 KB )
  125. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/contract/LogHandlerInterface.php ( 0.86 KB )
  126. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/log/Channel.php ( 3.89 KB )
  127. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/event/LogRecord.php ( 1.02 KB )
  128. /www/wwwroot/h.sjds.net/vendor/topthink/think-helper/src/Collection.php ( 16.47 KB )
  129. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/facade/View.php ( 1.70 KB )
  130. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/View.php ( 4.39 KB )
  131. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Response.php ( 8.81 KB )
  132. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/response/View.php ( 3.29 KB )
  133. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/Cookie.php ( 6.06 KB )
  134. /www/wwwroot/h.sjds.net/vendor/topthink/think-view/src/Think.php ( 8.38 KB )
  135. /www/wwwroot/h.sjds.net/vendor/topthink/framework/src/think/contract/TemplateHandlerInterface.php ( 1.60 KB )
  136. /www/wwwroot/h.sjds.net/vendor/topthink/think-template/src/Template.php ( 46.61 KB )
  137. /www/wwwroot/h.sjds.net/vendor/topthink/think-template/src/template/driver/File.php ( 2.41 KB )
  138. /www/wwwroot/h.sjds.net/vendor/topthink/think-template/src/template/contract/DriverInterface.php ( 0.86 KB )
  139. /www/wwwroot/h.sjds.net/runtime/temp/c1d6e8c94b2c2fa10e259903674c804d.php ( 8.11 KB )
  140. /www/wwwroot/h.sjds.net/vendor/topthink/think-trace/src/Html.php ( 4.42 KB )
  1. CONNECT:[ UseTime:0.000739s ] mysql:host=172.18.0.4;port=3306;dbname=h_sjds;charset=utf8mb4
  2. SHOW FULL COLUMNS FROM `fenlei` [ RunTime:0.000822s ]
  3. SELECT * FROM `fenlei` WHERE `fid` = 0 [ RunTime:0.000342s ]
  4. SELECT * FROM `fenlei` WHERE `fid` = 63 [ RunTime:0.000374s ]
  5. SHOW FULL COLUMNS FROM `set` [ RunTime:0.000511s ]
  6. SELECT * FROM `set` [ RunTime:0.000273s ]
  7. SHOW FULL COLUMNS FROM `article` [ RunTime:0.000649s ]
  8. SELECT * FROM `article` WHERE `id` = 580551 LIMIT 1 [ RunTime:0.000556s ]
  9. UPDATE `article` SET `lasttime` = 1795332714 WHERE `id` = 580551 [ RunTime:0.002333s ]
  10. SELECT * FROM `fenlei` WHERE `id` = 65 LIMIT 1 [ RunTime:0.000404s ]
  11. SELECT * FROM `article` WHERE `id` < 580551 ORDER BY `id` DESC LIMIT 1 [ RunTime:0.000406s ]
  12. SELECT * FROM `article` WHERE `id` > 580551 ORDER BY `id` ASC LIMIT 1 [ RunTime:0.000407s ]
  13. SELECT * FROM `article` WHERE `id` < 580551 ORDER BY `id` DESC LIMIT 10 [ RunTime:0.000490s ]
  14. SELECT * FROM `article` WHERE `id` < 580551 ORDER BY `id` DESC LIMIT 10,10 [ RunTime:0.000507s ]
  15. SELECT * FROM `article` WHERE `id` < 580551 ORDER BY `id` DESC LIMIT 20,10 [ RunTime:0.000595s ]
0.087695s