1.2 使用LangChain中的RunnableLambda

📄 文件代码内容

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_community.chat_models.tongyi import ChatTongyi

model = ChatTongyi(model="qwen3-max")
str_parser = StrOutputParser()

first_prompt = PromptTemplate.from_template(
    "我邻居姓：{lastname}，刚生了{gender}，请帮忙起名字，仅生成一个名字，并告知我名字，不要额外信息。"
)

second_prompt = PromptTemplate.from_template(
    "姓名{name}，请帮我解析含义。"
)

# 函数的入参：AIMessage -> dict  ({"name": "xxx"})
# my_func = RunnableLambda(lambda ai_msg: {"name": ai_msg.content})
#可以封装，也可以直接把函数加入到链中
chain = first_prompt | model | (lambda ai_msg: {"name": ai_msg.content}) | second_prompt | model | str_parser

for chunk in chain.stream({"lastname": "曹", "gender": "女孩"}):
    print(chunk, end="", flush=True)

---

🔄 代码流程梳理

1. 导入依赖

   • StrOutputParser：将模型输出的 AIMessage 转为纯字符串。
   • PromptTemplate：定义提示模板。
   • ChatTongyi：通义千问聊天模型。

2. 初始化组件

   • 创建 ChatTongyi 实例（模型）。
   • 创建 StrOutputParser 实例（解析器）。

3. 定义两个提示模板

   • first_prompt：要求模型根据姓氏和性别生成一个名字（限定只输出名字，无额外信息）。
   • second_prompt：要求模型解析该名字的含义（输入变量为 name）。

4. 构建 LCEL 链（核心）

   chain = (
       first_prompt
       | model
       | (lambda ai_msg: {"name": ai_msg.content})   # ① 转换
       | second_prompt
       | model
       | str_parser
   )

   • 步骤 1 ：first_prompt 根据输入 {"lastname": "曹", "gender": "女孩"} 生成提示字符串。
   • 步骤 2 ：model 生成名字（返回 AIMessage，例如 content="曹梦瑶"）。
   • 步骤 3 ：lambda 函数 接收上一步的 AIMessage，提取 content，并将其包装成字典 {"name": "曹梦瑶"}，以便注入 second_prompt。
   • 步骤 4 ：second_prompt 使用该字典生成新的提示字符串（如 "姓名曹梦瑶，请帮我解析含义。"）。
   • 步骤 5 ：model 再次调用，生成名字含义的回复（AIMessage）。
   • 步骤 6 ：str_parser 将最终 AIMessage 转为纯字符串。

5. 流式输出

   • 调用 chain.stream() 并传入参数，逐块打印最终结果（stream 支持渐进式生成，适合长文本）。

---

💡 高频面试知识点与回答思路

1. RunnableLambda 的作用与使用场景

• 作用 ：将任意 Python 函数包装成 Runnable，使其能够参与 LCEL 链式编排。
• 使用场景 ：
  • 数据格式转换（如本例中 AIMessage → dict）。
  • 插入日志、调试、缓存等副作用。
  • 调用外部 API 或执行自定义业务逻辑。
• 实现方式 ：可直接使用 lambda 表达式，也可用 RunnableLambda(func) 显式包装。

2. LCEL 链的数据流转规则

• 链中每个节点必须是 Runnable，前一个节点的输出类型需与后一个节点的输入类型兼容。
• 若类型不匹配，必须通过 RunnableLambda 或 RunnablePassthrough 进行适配。
• 本例中，model 输出 AIMessage，但 second_prompt 期望接收包含 name 键的字典，因此 lambda 担任转换角色。

3. stream 与 invoke 的区别

• invoke：一次性执行整条链，返回完整结果。
• stream：返回生成器，逐步产出结果（适合长文本、流式输出）。
• 两者都支持 input 参数，但 stream 对内存更友好，用户体验更好。

4. StrOutputParser 的作用

• 将 AIMessage 对象中的 content 字段提取出来，返回纯字符串。
• 与 RunnableLambda 不同，它是 LangChain 内置的解析器，专门用于输出提取。

5. 链式调用中如何处理中间变量的传递？

• 可通过 RunnableParallel 并行传递，或通过 RunnablePassthrough 保留中间值。
• 本例中，使用 lambda 将中间结果转为所需格式，满足下一环节的输入要求。

6. 如果 lambda 函数逻辑复杂，如何保持代码可读性？

• 可以单独定义一个普通函数，然后用 RunnableLambda(func) 包装，避免 lambda 过于臃肿。
• 也可定义类实现 __call__ 或继承 Runnable。

---

📌 面试回答话术（示例）

"该文件演示了 LangChain 中 RunnableLambda 的典型用法。在 LCEL 链中，模型第一次输出的是 AIMessage，而后续的 PromptTemplate 需要字典格式的输入，因此通过一个 lambda 函数提取 content 并构造字典。这种手法在需要将模型输出'喂'给下一个 Prompt 时非常常见。流式输出（stream）能提升长文本生成的用户体验。若需更复杂的转换，我会使用显式的 RunnableLambda 包装函数，保证代码可维护性和可测试性。"