在 langchain 开发过程中，尤其是在使用 langchain expression language (lcel) 构建复杂链时，理解链的内部执行流程和中间步骤的输出至关重要。尽管旧版 langchain 或其他构建方式可能通过 set_verbose(true) 或在模型初始化时设置 verbose=true 来启用详细输出，但在 lcel 链中，这些方法可能无法按预期工作。本文将详细介绍在 lcel 环境下获取详细日志输出的推荐方法和多种替代方案。
1. 使用回调处理器获取详细日志
在 Langchain 0.0.345 及更高版本中，为 LCEL 链获取详细输出的推荐方法是在 invoke 方法的 config 参数中添加一个回调处理器。ConsoleCallbackHandler 是一个方便的回调类，可以将链的执行事件直接输出到控制台。
核心方法：在 invoke 中配置 ConsoleCallbackHandler
通过将 ConsoleCallbackHandler 实例添加到 invoke 方法的 config 字典中的 callbacks 列表中，可以观察到链的各个组件（如 Prompt、LLM、Output Parser）的输入、输出以及中间步骤。
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 ConsoleCallbackHandler
# 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，并在 config 中配置回调处理器
# 这将把详细的执行日志输出到控制台
chain.invoke({"topic": "冰淇淋"}, config={'callbacks': [ConsoleCallbackHandler()]})注意事项： 这种方法提供的输出虽然与旧版“verbose mode”不完全相同，但它是目前获取 LCEL 链详细执行日志最接近且推荐的方式。它会显示每个组件的进入和退出事件，包括传递给组件的输入和组件返回的输出。
2. 针对特定组件的精细化日志
如果你不需要整个链的详细日志，或者希望只关注链中某个特定组件的运行情况，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：只对 ChatOpenAI 模型启用回调
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.callbacks.tracers import ConsoleCallbackHandler
# 定义 Prompt 和 Output Parser
prompt = ChatPromptTemplate.from_template("告诉我一个关于{topic}的笑话")
output_parser = StrOutputParser()
# 创建 ChatOpenAI 模型实例，并使用 .with_config() 附加回调
# 这样，只有模型相关的事件会被 ConsoleCallbackHandler 捕获
model = ChatOpenAI().with_config({'callbacks': [ConsoleCallbackHandler()]})
# 构建 LCEL 链
chain = prompt | model | output_parser
# 调用链。此时，只有模型部分的日志会输出
chain.invoke({"topic": "冰淇淋"})这种方法提供了更细粒度的控制，可以减少不必要的日志输出，使调试更加聚焦。你也可以通过自定义回调处理器来捕获和处理特定类型的事件，实现更高级的日志记录和监控。更多关于回调的信息，可以参考 Langchain 官方文档。
3. 启用全局调试模式
对于需要最高级别日志输出的情况，Langchain 仍然提供了全局调试模式。与 set_verbose 不同，set_debug(True) 在 LCEL 链中仍然有效，可以提供非常详细的内部运行信息。
from langchain.globals import set_debug
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
# 启用全局调试模式
set_debug(True)
# 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。此时，控制台将输出大量的调试信息
chain.invoke({"topic": "冰淇淋"})注意事项：set_debug(True) 会产生大量的输出，这对于理解底层机制非常有用，但在日常开发中可能会显得过于冗余。建议在需要深度诊断问题时使用此模式。
4. 利用可视化调试工具
对于更复杂的链或团队协作环境，使用专门的可视化调试工具可以提供更直观、更强大的调试体验。Langchain 生态系统支持与以下工具集成：
- LangSmith： Langchain 官方推荐的平台，提供端到端的 LLM 应用开发、监控和调试能力。它可以捕获所有链的运行轨迹，并以图形化界面展示每个步骤的输入、输出、耗时和错误。
- Weights & Biases： 一个机器学习实验跟踪平台，也可以用于跟踪 Langchain 链的执行，记录模型的输入输出、中间结果等。
这些工具通过提供丰富的 UI 和数据分析功能，极大地简化了复杂 LLM 应用的调试和优化过程。
总结
在 Langchain LCEL 链中获取详细日志输出有多种策略，每种策略适用于不同的场景：
- ConsoleCallbackHandler 在 invoke 配置中： 这是获取 LCEL 链中间步骤日志的推荐方法，适用于大多数需要了解链执行流程的场景。
- 组件级 with_config()： 当需要对特定组件进行精细化调试或减少整体日志量时，此方法非常有效。
- set_debug(True)： 用于全局最高级别的调试输出，适合深度问题诊断。
- LangSmith 或 Weights & Biases： 提供强大的可视化界面，是复杂 LLM 应用开发、监控和协作调试的理想选择。
根据你的具体需求和调试深度，选择最适合的方法，将有助于你更好地理解和优化 Langchain 应用。
