核心调试方法：使用回调处理器
对于 langchain 表达式语言（lcel）构建的链，传统的 set_verbose(true) 或在模型初始化时设置 verbose=true 可能无法提供预期的详细输出。langchain 推荐通过回调处理器（callback handler）机制来获取链的执行细节。其中，consolecallbackhandler 是一个简单而有效的选择，它能将链的中间步骤直接打印到控制台。
要激活此功能，您需要在调用链的 invoke 方法时，通过 config 参数传入一个包含 ConsoleCallbackHandler 实例的列表。
以下是一个具体示例：
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.callbacks.tracers import ConsoleCallbackHandler # 导入 ConsoleCallbackHandler
# 定义提示模板、模型和输出解析器
prompt = ChatPromptTemplate.from_template("tell me a joke about {topic}")
model = ChatOpenAI()
output_parser = StrOutputParser()
# 构建 LCEL 链
chain = prompt | model | output_parser
# 调用链，并在 config 中传入 ConsoleCallbackHandler
# 这将把链的详细执行过程打印到控制台
chain.invoke({"topic": "ice cream"}, config={'callbacks': [ConsoleCallbackHandler()]})注意事项： 这种方法提供的输出与 Langchain 早期版本的“verbose mode”可能不完全相同，但它是当前获取 LCEL 链详细执行日志的最推荐和最接近的替代方案。它会显示每个组件的输入、输出以及耗时等信息。
更精细的控制：针对特定组件设置回调
如果您只希望获取特定组件（例如，某个模型或工具）的详细输出，而不是整个链的输出，可以通过 with_config 方法将回调处理器附加到该组件上。这有助于减少不必要的日志噪音，使调试更加聚焦。
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.callbacks.tracers import ConsoleCallbackHandler
# 仅对 ChatOpenAI 模型启用回调
model = ChatOpenAI().with_config({'callbacks': [ConsoleCallbackHandler()]})
prompt = ChatPromptTemplate.from_template("tell me a joke about {topic}")
output_parser = StrOutputParser()
# 构建 LCEL 链
chain = prompt | model | output_parser
# 调用链，此时只有模型部分的执行会输出详细日志
chain.invoke({"topic": "ice cream"})通过这种方式，您可以根据需要灵活地控制日志输出的范围。关于回调机制的更多高级定制，可以查阅 Langchain 官方文档中关于回调模块的详细说明。
全局调试模式：高详细度输出
除了使用回调处理器，Langchain 还提供了一个全局的调试模式，可以提供更高级别的详细输出。与早期版本的 set_verbose 不同，当前推荐使用 set_debug(True) 来激活全局调试。这对于需要全面了解 Langchain 内部运作的场景非常有用。
from langchain.globals import set_debug # 导入 set_debug
# 激活全局调试模式
set_debug(True)
# 您的 Langchain 代码
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
prompt = ChatPromptTemplate.from_template("tell me a joke about {topic}")
model = ChatOpenAI()
output_parser = StrOutputParser()
chain = prompt | model | output_parser
chain.invoke({"topic": "ice cream"})注意事项： set_debug(True) 会产生大量的日志输出，因为它会影响 Langchain 运行时的所有操作。在生产环境中，通常不建议长期开启全局调试模式，以免影响性能和日志可读性。
可视化调试工具
对于更复杂的链和长期的项目，仅仅依靠控制台输出可能不足以进行高效调试。Langchain 生态系统提供了强大的可视化调试工具，例如 LangSmith 和 Weights & Biases。
- LangSmith：作为 Langchain 官方推荐的开发工具，LangSmith 提供了端到端的可见性，包括链的跟踪、监控、评估和调试功能。它能以图形化的方式展示链的执行路径、每个步骤的输入/输出以及耗时，极大提高了调试效率。
- Weights & Biases：这是一个通用的机器学习实验跟踪平台，也可以与 Langchain 集成，用于记录和可视化 Langchain 应用程序的运行情况。
这些工具通过提供直观的用户界面和强大的数据分析能力，帮助开发者更好地理解和优化其 Langchain 应用程序。
总结
在 Langchain LCEL 链的调试过程中，您可以根据具体需求选择不同的详细输出方法：
- ConsoleCallbackHandler：最推荐的 LCEL 链式调用详细输出方式，通过 invoke 方法的 config 参数传入，提供链的中间步骤日志。
- with_config 方法：用于对特定组件进行更精细的日志控制，减少不必要的输出。
- set_debug(True)：激活全局高详细度调试模式，适用于需要全面了解 Langchain 内部运作的场景，但会产生大量日志。
- LangSmith 或 Weights & Biases：提供强大的可视化界面，用于复杂链的跟踪、监控和评估，是高级调试和项目管理的理想选择。
选择合适的调试方法，将帮助您更有效地理解 Langchain 应用程序的内部逻辑，从而更快地定位和解决问题。
