在前两篇中，我们深入理解了 LangChain 的
Runnable接口与 LCEL 表达式组合思想，以及与 Agent 执行控制的基本能力。本篇我们将从头构建一个自定义
Runnable模块，并以它为基础搭建一个小型执行链，亲手实现 retry、fallback 等功能，让你能真正从代码层面掌握核心执行架构。
一、为什么要自己实现一个 Runnable？
- 📦 理解抽象接口：你能知道
Runnable为什么要设计成这样，以及每个方法在执行过程中扮演的角色。 - 🔄 掌握执行流程：从
.invoke()到.batch()、.stream()，并掌握如何注入控制逻辑来管理失败或并行执行。 - 🧱 拓展可组合能力：让你写出的自定义逻辑，能被 LCEL 组合重用，和 OpenAI 模型、Parser 甚至 Agent 流畅协作。
二、实现一个最简 AddOne 模块
按 LangChain 最新规范，你可以实现如下最基础的 Runnable：
python
from typing import Any, Optional
from langchain_core.runnables import RunnableSerializable
from langchain_core.runnables.config import RunnableConfig
class AddOne(RunnableSerializable[int, int]):
def invoke(
self,
input: int,
config: Optional[RunnableConfig] = None,
**kwargs: Any
) -> int:
return input + 1config 参数用于携带执行上下文，如 debug tags、trace id、LangSmith 信息等。
💡 为什么不直接继承 Runnable 而要继承 RunnableSerializable？
这是因为 RunnableSerializable 是 LangChain 提供的一个 带默认实现的可序列化 Runnable 抽象基类，相比直接继承 Runnable：
- 它自动提供了
.batch()、.stream()、.bind()等方法的实现； - 它支持 JSON 序列化和可观测配置导出（用于 LangSmith 等工具）；
- 它要求你 只需实现核心方法 如
.invoke()，就能立刻接入整个 LCEL 执行框架。
三、构造一个组合执行链（LCEL）
python
from langchain_core.runnables import RunnableLambda
double = RunnableLambda(lambda x: x * 2)
add_one = AddOne()
pipeline = double | add_one
print(pipeline.invoke(3)) # 输出 7这样你就搭建了一个表达式式的小流水线：先乘 2 再加 1。
四、为你的模块添加重试与回退能力（Retry 与 Fallback）
python
# 定义一个可能出错的函数模块（主模块）
add_one = RunnableLambda(lambda x: x + 1 if x >= 0 else 1 / 0)
# 使用 with_retry 包裹，自动重试最多 2 次（适用于 ValueError、ZeroDivisionError 等）
robust_add_one = add_one.with_retry(
retry_if_exception_type=(ValueError, ZeroDivisionError), # 要重试的异常类型
wait_exponential_jitter=True, # 是否启用指数抖动退避
stop_after_attempt=2 # 最多重试次数
)搭配 fallback：
python
# 定义 fallback 模块
fallback_add = RunnableLambda(lambda x: x + 5)
# 整合 fallback
add_one_with_fallback = robust_add_one.with_fallbacks([fallback_add])联合使用：
python
chain = double | add_one_with_fallback
print(chain.invoke(-1)) # 主 logic 出错后 fallback 接力，输出 -2 + 5 = 3五、批量处理与流式处理结合
批量处理示例：
python
print(chain.batch([-1, 0, 1, 2, 3])) # 批量执行所有输入输出：
csharp
[3, 1, 3, 5, 7]流式处理示例：
python
# 定义一个模拟 LLM 流式输出的模块（逐字输出字符串）
def generate_streaming_tokens(n: int):
result = f"Hello! The input number is {n}."
for char in result:
time.sleep(0.1)
yield char # 模拟 token-by-token 输出
# 封装为 Runnable，可支持 .stream()
streaming_chain = RunnableLambda(generate_streaming_tokens)
# 流式执行并输出（逐字符打印）
for token in streaming_chain.stream(3):
print(token, end="")输出：
你自定义的模块就支持了 invoke()、batch()、stream() 三种执行入口方式，和 LangChain 内建模块行为一致。
六、对比图示：自定义模块如何融入 LangChain 执行架构
scss
[input] -> RunnableLambda(double) -> AddOne.invoke()
| |
with_retry with_fallbacks
↓ ↓
.stream() / .batch() .invoke()
/ /
输出流或批量结果 最终值如图所示，你的模块已具备组合、控制、可调试的核心特性。
七、小结：你通过这个模块学到了什么？
- ✅ 理解
Runnable接口的设计； - ✅ 实现场景级别的错误恢复机制；
- ✅ 掌握 LCEL 链式组合思维；
- ✅ 学会如何让自己的业务模块无缝接入 LangChain 生态。
接下来，我们将以此自定义模块为核心，构建一个简易 Agent 执行器，实现智能分支决策、任务拆分与对话上下文保持功能，进一步迈入 Agent 与 Chain 协同的高级阶段。