langchain学习总结-两个Runnable核心类的讲解与使用

两个Runnable核心类的讲解与使用

概述

本章节学习 LangChain 中两个核心的 Runnable 工具类：RunnableParallel 和 RunnablePassthrough。这两个工具类用于构建复杂的 LLM 应用流程，实现并行处理和数据传递。

---

1. RunnableParallel - 并行执行

是什么

RunnableParallel 是 LangChain 中的一个工具类，用于并行执行多个 Runnable 对象。它允许同时调用多个链，并将所有结果组合成一个字典返回。

有什么用

• 提高执行效率：多个独立的任务可以并行执行，减少总等待时间
• 结果聚合：将多个执行结果自动组合成一个统一的字典结构
• 简化代码：避免手动管理多个异步或并发任务

使用场景

• 同时生成多种类型的内容（如笑话、诗歌、摘要等）
• 并行调用不同的模型或提示词模板
• 需要将多个结果合并后传递给下一步骤

基础示例

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableParallel
from langchain_openai import ChatOpenAI
import dotenv

dotenv.load_dotenv()

# 1. 编排prompt
joke_prompt = ChatPromptTemplate.from_template("请讲一个关于{subject}的冷笑话，尽可能短一些")
poem_prompt = ChatPromptTemplate.from_template("请写一篇关于{subject}的诗，尽可能短一些")

# 2. 创建大语言模型
llm = ChatOpenAI(model="moonshot-v1-8k")

# 3. 创建输出解析器
parser = StrOutputParser()

# 4. 编排链
joke_chain = joke_prompt | llm | parser
poem_chain = poem_prompt | llm | parser

# 5. 并行链
map_chain = RunnableParallel(joke=joke_chain, poem=poem_chain)

# 6. 调用
res = map_chain.invoke({"subject": "程序员"})

print(res)

输出结果

{
    'joke': '问：为什么程序员总是混淆圣诞节和万圣节？\n答：因为他们喜欢 Oct 31（十月三十一日）胜过 Dec 25（十二月二十五日）。',
    'poem': '在数字世界里，代码编织梦，\n程序员，夜以继日，键盘敲击声。\n逻辑的海洋，算法的风，\n创造奇迹，于无形。'
}

另一种写法

# 使用字典形式创建
map_chain = RunnableParallel({
    "joke": joke_chain,
    "poem": poem_chain,
})

执行流程

输入: {"subject": "程序员"}
    ↓
RunnableParallel (并行执行)
    ├─ joke_chain → "冷笑话内容"
    └─ poem_chain → "诗歌内容"
    ↓
输出: {"joke": "...", "poem": "..."}

---

2. RunnableParallel 模拟检索

是什么

这是 RunnableParallel 在 RAG（检索增强生成）场景中的典型应用。通过并行执行检索函数和原始数据传递，为后续的 LLM 调用准备完整的上下文。

有什么用

• 数据预处理：在调用 LLM 之前，先执行检索或其他数据处理
• 保持原始数据：使用 itemgetter 保留原始输入字段
• 数据增强：为原始数据添加额外的上下文信息

核心组件

itemgetter

Python 标准库 operator 模块中的函数，用于从字典中提取指定字段。在 LCEL 链中用于保留或选择特定的输入字段。

示例代码

from operator import itemgetter
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
import dotenv

dotenv.load_dotenv()


def retrieval(query: str) -> str:
    """一个模拟的检索器函数"""
    print("正在检索:", query)
    return "我是慕小课"


# 1. 编排prompt
prompt = ChatPromptTemplate.from_template("""请根据用户的问题回答，可以参考对应的上下文进行生成。

<context>
{context}
</context>

用户的提问是: {query}""")

# 2. 构建大语言模型
llm = ChatOpenAI(model="moonshot-v1-8k")

# 3. 输出解析器
parser = StrOutputParser()

# 4. 构建链
chain = {
    "context": lambda x: retrieval(x["query"]),  # 执行检索
    "query": itemgetter("query"),                # 保留原始query字段
} | prompt | llm | parser

# 5. 调用链
content = chain.invoke({"query": "你好，我是谁?"})

print(content)

输出结果

正在检索: 你好，我是谁?
你好，根据你提供的上下文，你是慕小课。

执行流程

输入: {"query": "你好，我是谁?"}
    ↓
RunnableParallel (并行处理)
    ├─ context → retrieval函数 → "我是慕小课"
    └─ query → itemgetter("query") → "你好，我是谁?"
    ↓
Prompt模板 → 填充context和query
    ↓
LLM → 生成回答
    ↓
输出: "你好，根据你提供的上下文，你是慕小课。"

---

3. RunnablePassthrough - 数据透传

是什么

RunnablePassthrough 是一个特殊的 Runnable，主要用于在链中传递原始输入数据。配合 assign 方法使用时，可以在保留原始数据的同时添加新字段。

有什么用

• 简化链的构建：避免显式使用 RunnableParallel 和 itemgetter
• 保留原始输入：自动将所有输入字段传递到下一步
• 动态添加字段：通过 assign 方法在执行过程中添加新字段

与 RunnableParallel 的区别

特性	RunnableParallel	RunnablePassthrough.assign
原始数据传递	需要手动指定每个字段	自动保留所有原始输入
添加新字段	通过字典指定	通过 assign 方法添加
代码简洁度	较冗长	更简洁
适用场景	需要精确控制字段	只需添加少量字段

示例代码

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI
import dotenv

dotenv.load_dotenv()


def retrieval(query: str) -> str:
    """一个模拟的检索器函数"""
    print("正在检索:", query)
    return "我是慕小课"


# 1. 编排prompt
prompt = ChatPromptTemplate.from_template("""请根据用户的问题回答，可以参考对应的上下文进行生成。

<context>
{context}
</context>

用户的提问是: {query}""")

# 2. 构建大语言模型
llm = ChatOpenAI(model="moonshot-v1-8k")

# 3. 输出解析器
parser = StrOutputParser()

# 4. 构建链
chain = RunnablePassthrough.assign(
    context=lambda x: retrieval(x["query"])
) | prompt | llm | parser

# 5. 调用链
content = chain.invoke({"query": "你好，我是谁?"})

print(content)

输出结果

正在检索: 你好，我是谁?
你好，根据你提供的上下文，你是慕小课。

执行流程

输入: {"query": "你好，我是谁?"}
    ↓
RunnablePassthrough.assign
    ├─ 保留原始字段 → {"query": "你好，我是谁?"}
    └─ 添加context字段 → {"query": "...", "context": "我是慕小课"}
    ↓
Prompt模板 → 填充context和query
    ↓
LLM → 生成回答
    ↓
输出: "你好，根据你提供的上下文，你是慕小课。"

代码对比

使用 RunnableParallel（方式1）

chain = {
    "context": lambda x: retrieval(x["query"]),
    "query": itemgetter("query"),
} | prompt | llm | parser

使用 RunnablePassthrough（方式2）

chain = RunnablePassthrough.assign(
    context=lambda x: retrieval(x["query"])
) | prompt | llm | parser

方式2的优势：

• 更简洁，不需要导入 itemgetter
• 自动保留所有原始输入字段
• 代码可读性更好

---

总结

工具类对比

工具类	主要用途	典型场景
RunnableParallel	并行执行多个链，聚合结果	同时生成多种内容、并行调用不同模型
RunnablePassthrough	透传数据，动态添加字段	RAG检索、数据增强处理

选择建议

1. 需要并行执行多个独立任务时，使用 RunnableParallel
2. 只需要在原始数据基础上添加少量字段时，使用 RunnablePassthrough.assign
3. 需要精确控制传递哪些字段时，使用 RunnableParallel + itemgetter

RAG 模式推荐写法

在检索增强生成场景中，推荐使用 RunnablePassthrough.assign：

chain = RunnablePassthrough.assign(
    context=lambda x: retrieval(x["query"])
) | prompt | llm | parser

这种写法简洁明了，易于维护，是 LangChain 官方推荐的模式。