在使用langchain表达式语言（lcel）构建链式应用时，开发者常常需要了解链的内部执行细节，例如提示词的构建、模型的输入输出以及中间步骤的状态，以便进行调试和优化。然而，传统的set_verbose(true)或在模型初始化时设置verbose=true的方式，在lcel环境下可能无法提供预期的详细输出。本文将介绍在langchain lcel链式调用中激活详细输出的推荐方法。
核心调试方法：回调处理器
Langchain提供了一套灵活的回调（Callbacks）系统，允许开发者在链的生命周期中的特定事件发生时执行自定义逻辑。对于获取详细的中间步骤输出，最直接且推荐的方法是使用ConsoleCallbackHandler并将其配置到链的调用中。
ConsoleCallbackHandler会将链的执行日志（包括每个组件的输入、输出、耗时等）直接打印到控制台，这对于快速了解链的运行情况非常有用。
示例代码：
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.callbacks.tracers import ConsoleCallbackHandler # 导入回调处理器
# 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
# 调用链并配置回调处理器
# 通过 invoke 方法的 config 参数传递回调列表
chain.invoke({"topic": "冰淇淋"}, config={'callbacks': [ConsoleCallbackHandler()]})运行上述代码，你将在控制台看到详细的日志输出，展示提示词的构建过程、模型调用以及最终输出等。虽然这种输出形式与旧版Langchain的“verbose mode”略有不同，但它提供了同等甚至更丰富的调试信息。
更精细的控制：特定对象的回调配置
如果你只希望对链中的某个特定组件（例如，语言模型）进行详细输出，而不是整个链，你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：
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
from langchain.callbacks.tracers import ConsoleCallbackHandler
prompt = ChatPromptTemplate.from_template("告诉我一个关于{topic}的笑话")
# 将回调处理器附加到 ChatOpenAI 模型上
model = ChatOpenAI().with_config({'callbacks': [ConsoleCallbackHandler()]})
output_parser = StrOutputParser()
chain = prompt | model | output_parser
# 此时，只有模型相关的调用会产生详细输出
chain.invoke({"topic": "冰淇淋"})这种方法适用于需要针对性调试某个特定模块，或者希望减少整体日志输出以聚焦关键部分的场景。
全局高详细度调试：set_debug
对于需要最高级别全局详细输出的场景，Langchain仍然提供了set_debug(True)方法。这会激活一个更广泛的调试模式，可能会输出比ConsoleCallbackHandler更多的内部信息。
示例：
from langchain.globals import set_debug
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser
# 激活全局调试模式
set_debug(True)
prompt = ChatPromptTemplate.from_template("告诉我一个关于{topic}的笑话")
model = ChatOpenAI()
output_parser = StrOutputParser()
chain = prompt | model | output_parser
chain.invoke({"topic": "冰淇淋"})请注意，set_debug(True)会产生大量的日志输出，可能不适合生产环境或日常开发，但对于深入排查复杂问题非常有用。
可视化调试工具
除了上述基于控制台的调试方法，Langchain还集成了强大的可视化调试工具，如Langsmith和Weights & Biases。这些工具提供了图形用户界面（GUI），能够以更直观的方式展示链的执行轨迹、输入输出、耗时以及错误信息，极大地提升了复杂链的调试效率。
- Langsmith: Langchain官方推荐的调试平台，提供端到端的可见性，支持追踪、测试和监控Langchain应用。
- Weights & Biases: 一个机器学习实验跟踪平台，也可以用于记录和可视化Langchain应用的运行情况。
总结与注意事项
在Langchain LCEL链式调用中获取详细输出主要有以下几种方式：
- 推荐方法： 在chain.invoke()的config参数中传入ConsoleCallbackHandler，获取链的完整执行日志。
- 精细控制： 使用组件的with_config方法将ConsoleCallbackHandler附加到特定组件，以获取局部详细输出。
- 全局高详细度： 使用langchain.globals.set_debug(True)激活全局调试模式，获取最全面的内部信息。
- 可视化调试： 利用Langsmith或Weights & Biases等GUI工具进行更直观、高效的调试。
选择哪种方法取决于你的具体调试需求。对于日常开发，ConsoleCallbackHandler通常足够。当需要深入分析特定组件或处理复杂问题时，可以考虑使用with_config或set_debug。对于团队协作和长期项目，可视化工具将提供无与伦比的便利性。
