消息、提示模板与 Runnable 数据流
LangChain core 定义消息、Runnable 和工具协议，供应商包负责模型适配，LangGraph 负责状态编排，LangSmith 负责追踪与评估。统一接口减少接线工作，但不抹平不同模型的工具、图片、上下文窗口和计费能力。
环境与第一条真实链
python3.12 -m venv .venv
source .venv/bin/activate
python -m pip install 'langchain==1.2.10' 'langchain-core==1.6.4' 'langchain-openai==1.1.10' 'langgraph==1.0.8' 'langgraph-prebuilt==1.0.7' 'langchain-classic==1.0.1'完整实验不调用模型。RunnableLambda 包装普通函数，| 将左侧输出传给右侧；ChatPromptTemplate 输出消息结构，不能把它误当普通字符串。
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables import RunnableLambda, RunnableParallel
from langchain_core.messages import HumanMessage
prompt = ChatPromptTemplate.from_messages([
("system","使用{language}回答。"),
MessagesPlaceholder("history"),
("human","{question}")])
render = prompt | RunnableLambda(lambda p:[(m.type,m.content) for m in p.to_messages()])
value = {"language":"中文","history":[HumanMessage(content="上下文")],"question":"幂等是什么"}
r = render.invoke(value)
assert r[0] == ("system","使用中文回答。") and r[-1][1] == "幂等是什么"
parallel = RunnableParallel(length=RunnableLambda(len), upper=RunnableLambda(str.upper))
assert parallel.invoke("ab") == {"length":2,"upper":"AB"}
assert render.batch([value,value]) == [r,r]
print(r)变量不存在会在模板阶段报错；历史必须是消息列表，不能把工具结果和用户消息合成一段失去角色的信息。文字、图像等内容块是模型输入的一部分，供应商支持不同；响应的 metadata 与 usage 单独用于记账，不能从文本长度反推真实 token。
invoke、batch 与流式的区别
invoke 处理一项，ainvoke 供异步服务等待，batch 多项并发但受 Runnable config 与下游配额约束。stream 输出块，是否逐 token 取决于组件；某个中间函数必须等完整输入时，会缓冲并打断端到端流式。不要看到方法叫 stream 就保证首 token 延迟改善。
RunnableParallel 给各分支同一输入并以键收集结果，不负责跨系统事务。RunnablePassthrough 保留输入，assign 添加派生字段时应避免覆盖身份字段。重试应包住会失败的外部调用，不要把带副作用的整条链随意重跑；fallback 需要保持相同输出契约并标注降级来源。
LCEL 是数据流组合方式，不是新的模型能力。复杂暂停、循环和检查点进入 LangGraph；一个普通请求若只调用一次模型，裸 SDK 可能更容易维护。排错先单独 invoke 每个组件，观察实际类型，再检查配置与回调传播。
练习
在parallel增加reverse分支，输入abc应返回长度3、大写ABC、反转cba；再给prompt遗漏question，确认发生KeyError而非静默生成空问题。