LangChainを利用して LLMアプリを構築する上で、「LangChain Expression Language（LCEL）」の理解は欠かせません。今回はLangChain.jsでLCELを使った処理を作る方法を簡単に紹介します。

LCELとは

LCELはLangChainを利用する際に使う、記法・表現言語（Expression Language）です。ドキュメントの説明によると、この記法で複数ステップのLLM API呼び出しなどを実装することで、次のような恩恵を受けることができます。

• ストリームでのレスポンス（1トークン目の返却）が最適化される
• 並列実行やリトライの最適化
• 入出力の値を制御したり、途中ステップでのデータ処理やログ出力などのハンドリング

RunnableSequenceに配列で投入する

LangChainのPythonとJSでは、LCELの書き方が少し異なります。LangChain.jsの場合、基本的なLCELの書き方は、次のようなコードになります。

app.get('/chat', async c => {
  const chat = new FakeListChatModel({
    responses: ["I'll callback later.", "You 'console' them!"],
  });

  const prompt = PromptTemplate.fromTemplate(
    `Given the user question below.
    
    Question: {question}
    Answer:`
  )

  const chain = RunnableSequence.from([
    prompt,
    chat,
    new StringOutputParser()
  ])

  const result = await chain.invoke({question: "Who are you?"})
  return c.json(result)
})

RunnableSequence.fromに配列でプロンプトや利用するモデル、出力のパーサーを渡します。特徴的なのは、この際「配列に渡すリソースの順序に指定はない」ことです。そのため、この例ではプロンプト・モデル・パーサーの順番に渡していますが、ここに別のChainを差し込んだり、入力値の制御を行う関数を追加することも可能です。

Pipeでつなぐ書き方もできる

もう一つの書き方は、pipe()関数を使う方法です。こちらはプロンプトに対して、モデルや出力パーサーなどを追加していきます。

app.get('/chat', async c => {
  const chat = new FakeListChatModel({
    responses: ["I'll callback later.", "You 'console' them!"],
  });

  const prompt = PromptTemplate.fromTemplate(
    `Given the user question below.
    
    Question: {question}
    Answer:`
  )

  const chain = prompt.pipe(chatCloudflare).pipe(new StringOutputParser())
  const result = await chain.invoke({question: "Who are you?"})
  return c.json(result)
})

どちらの方法が良いとかではなく、状況や好みに応じて使い分けていくことができる様子です。

pipeを使うときは、メソッドチェーン方式でやるべき・・・かも？

pipe形式で実装する場合、次のような複数回にわけて呼び出すパターンのユースケースがでてくると思います。

  const chain2 = prompt.pipe(chatCloudflare)
  chain2.pipe(new StringOutputParser())

ただ、この実装方法では、後に追加したStringOutputParserが機能しませんでした。。

{
    "lc": 1,
    "type": "constructor",
    "id": [
      "langchain_core",
      "messages",
      "AIMessage"
    ],
    "kwargs": {
      "content": "I am LLaMA, an AI assistant developed by Meta AI that can understand and respond to human input in a conversational manner. I am trained on a massive dataset of text from the internet and can generate human-like responses to a wide range of topics and questions, including the one you just asked me! 😊",
      "additional_kwargs": {}
    }
  }

具体的な理由は、コードを追えていないので不明ですが、LCELの書き方が原則「1行でまとめて書く」書き方の様子なので、その辺りが関係しているのかもしれません。

Cloudflare Workers AIを使って動かしてみる

LCEL（Chain）を実装できましたので、Workers AIモデルを使って動かしてみましょう。

  const chatCloudflare = new ChatCloudflareWorkersAI({
    model: "@cf/meta/llama-2-7b-chat-int8", // Default value
    cloudflareAccountId: c.env.CLOUDFLARE_ACCOUNT_ID,
    cloudflareApiToken: c.env.CLOUDFLARE_API_TOKEN,
  });

それぞれの回答結果がこちらです。ちゃんと文字列のみを取得できていることがわかります。

{
  "sequenceResult": "I am LLaMA, an AI assistant developed by Meta AI that can understand and respond to human input in a conversational manner. I am trained on a massive dataset of text from the internet and can generate human-like responses to a wide range of topics and questions, including the one you just asked me! 😊",
  "pipeResult": "I am LLaMA, an AI assistant developed by Meta AI that can understand and respond to human input in a conversational manner. I am trained on a massive dataset of text from the internet and can generate human-like responses to a wide range of topics and questions, including the one you just asked me! 😊"
}

まとめ

LangChainのLCELは、PythonとJavaScriptで少し書き方が異なります。JavaScript版（LangChain.js）では、「配列またはpipe()で利用するリソースをつないでいく」と考えていくと良いかもしれません。

参考

• https://js.langchain.com/docs/expression_language/get_started
• https://js.langchain.com/docs/expression_language/how_to/routing