Runnable：LangChain 的"万能接口"
在 LangChain 的世界里，Runnable 是一个统一的、标准的执行接口 。所有能够"被调用、被组合、被传输"的组件，无论是模型（ChatTongyi）、提示模板（ChatPromptTemplate）、输出解析器（StrOutputParser）、链（Chain），甚至是整个 LangGraph 图，都实现了 Runnable 接口。
一句话定义 ：
Runnable是 LangChain 表达语言（LCEL）的基石，它定义了一个"如何执行一个任务"的通用契约。任何实现了Runnable的对象，都可以用统一的 API 去调用它，并可以用管道符|去和另一个Runnable串联。
为什么需要 Runnable？（解决了什么问题？）
在 Runnable 出现之前，LangChain 中存在 LLMChain、ConversationChain、RetrievalQA 等多种"硬编码"的 Chain 类，它们各自的调用方式各不相同，无法统一组合。
Runnable 提供了一套标准化的接口，使得：
- 所有组件可以无缝组合（LCEL）。
- 所有组件支持统一的调用方式（
invoke、stream、batch）。 - 所有组件天然可观测（可与 LangSmith 集成）。
- 所有组件可被包装和增强（如
RunnableWithMessageHistory）。
Runnable 的核心方法
任何实现了 Runnable 的对象，都至少实现了以下三个核心方法：
| 方法 | 作用 | 适用场景 |
|---|---|---|
invoke(input, config=None) |
同步执行，返回完整结果。 | 常规单次调用。 |
ainvoke(input, config=None) |
异步执行，返回完整结果。 | 异步环境（如 FastAPI）。 |
stream(input, config=None) |
同步流式执行，逐个产出结果。 | 需要逐步输出长文本时。 |
astream(input, config=None) |
异步流式执行，逐个产出结果。 | 异步流式输出。 |
batch(inputs, config=None) |
批量执行，返回结果列表。 | 并发处理多个输入。 |
abatch(inputs, config=None) |
异步批量执行。 | 高并发场景。 |
所有
*async*方法是*sync*方法的异步版本，前缀a代表async。
哪些东西是 Runnable？（几乎一切！）
| 组件类型 | 示例 |
|---|---|
| 模型 | ChatTongyi、ChatOpenAI、Tongyi（LLM） |
| 提示模板 | PromptTemplate、ChatPromptTemplate、MessagesPlaceholder |
| 输出解析器 | StrOutputParser、PydanticOutputParser、JsonOutputParser |
| 检索器 | Chroma.as_retriever() 返回的 Retriever 对象 |
| 向量库 | Chroma 本身（直接调用） |
| 工具 | @tool 装饰的函数（如 get_weather） |
| 链 | 所有用 ` |
| Agent | create_react_agent 返回的图（编译后） |
| Graph | StateGraph.compile() 返回的图 |
| 自定义函数 | 用 RunnableLambda 包装的任意函数 |
如何创建一个 Runnable？
1. 最直接：用 | 管道符组合 LCEL 链
python
chain = prompt | model | str_parserchain 自动成为一个 RunnableSequence，支持所有 Runnable 方法。
2. 用 RunnableLambda 包装普通函数
python
from langchain_core.runnables import RunnableLambda
def my_func(x):
return x.upper()
runnable_func = RunnableLambda(my_func)
# 然后可以放进链里
chain = prompt | model | runnable_func | str_parser3. 用 RunnableParallel 并行执行
python
from langchain_core.runnables import RunnableParallel
# 同时执行两个任务，返回字典结果
parallel_chain = RunnableParallel(
answer=chain1,
context=chain2
)Runnable 的核心原则
1. 输入类型决定输出类型
Runnable 是类型安全的。例如，ChatPromptTemplate 接受 dict（包含变量值），输出 PromptValue；ChatModel 接受 PromptValue，输出 AIMessage。如果类型不匹配，| 管道会报错。
2. 配置（config）是可传递的
在调用 invoke(input, config=...) 时，config 可以携带 metadata、tags、callbacks、max_concurrency 等参数，这些会贯穿整个链的执行过程，特别适合可观测性（LangSmith）和限流。
3. 所有 Runnable 都可绑定回调
python
from langchain_core.callbacks import StdOutCallbackHandler
chain.invoke(input, config={"callbacks": [StdOutCallbackHandler()]})这样会打印链中每一步的执行日志，极其有助于调试。
Runnable 与 LangGraph 的关系
LangGraph 中编译后的 graph 本身就是一个 Runnable，因此你可以：
- 像调用普通链一样
graph.invoke(input)或graph.stream(input)。 - 把
graph作为子节点嵌入到更大的 LCEL 链中（prompt | graph | str_parser）。 - 给
graph挂载回调、配置thread_id等。 - 利用
astream_events获取更细粒度的事件（这是 LangGraph 对Runnable接口的扩展）。
这也是为什么 LangGraph 与 LangChain 无缝集成：它本质上是在 LangChain 的 Runnable 体系之上增加了"状态图"的编排能力。
Runnable 在面试中的高频追问
Q1：RunnableSequence 和普通的 Chain 有什么区别？
A ：RunnableSequence 是 LCEL 方式的链，它是 Runnable 接口的统一实现；而传统 Chain（如 LLMChain）是硬编码类，无法用 | 灵活组合。LangChain 官方推荐弃用旧 Chain，全面转向 LCEL。
Q2：invoke 和 stream 的区别是什么？
A ：invoke 是一次性返回完整结果；stream 是逐步产出结果（生成器），适合长文本流式输出。两者都是 Runnable 的标准方法，所有组件都可选支持。
Q3：batch 和 abatch 的优势是什么？
A ：可以批量处理多个输入，且自动并发执行，提升吞吐量。比如同时处理 10 条用户消息，batch 会比循环调用快数倍。
Q4：自定义 Runnable 应该怎么做？
A ：通常不需要显式实现 Runnable，只需用 RunnableLambda 包装函数；若需要更复杂的逻辑（如状态管理），可继承 Runnable 并实现 invoke、stream 等方法。
总结
Runnable 是 LangChain 生态的"基石接口"，它统一了所有组件的执行方式，定义了 invoke、stream、batch 三大核心方法，并通过 LCEL（|）实现了组件的无限组合。无论是提示、模型、解析器、工具、检索器，还是 LangGraph 图，最终都归一为同一个 Runnable 接口，这是 LangChain 能够保持高度灵活性和扩展性的根本原因。理解 Runnable，就理解了 LangChain 的"哲学"。