20. LangChain组件——RunnableLambda&函数加入链
1. RunnableLambda是什么？RunnableLambda类是LangChain内置的,将普通函数等转换为Runnable接口实例,方便自定义函数加入chain。
跳过RunnableLambda类,直接让函数加入链也是可以的。
2. 代码实战
①调用RunnableLambda将函数转换为Runnable接口
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})
chain = first_prompt | model | my_func| second_prompt | model | str_parser
for chunk in chain.stream({"lastname": "曹", "gender": "女孩"}):
print(chunk, end="", flush=True)②直接将函数加入链
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。"
)
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)
学习视频：【黑马程序员大模型RAG与Agent智能体项目实战教程，基于主流的LangChain技术从大模型提示词到实战项目】 https://www.bilibili.com/video/BV1yjz5BLEoY/?p=36&share_source=copy_web&vd_source=792a2cb63a1882bff4ed856eadc41a71
你好，鱼油！我来为你解答LangChain中RunnableLambda和函数加入链的问题。
1. RunnableLambda是什么？
RunnableLambda是LangChain内置的一个工具类，用于将普通函数（或其他可调用对象）转换为Runnable接口的实例。这样，你可以轻松地将自定义函数集成到链中，使其与其他组件（如提示模板、模型、输出解析器）兼容。
不过，RunnableLambda并非必须。你完全可以直接将函数加入链中，只要函数符合链的输入输出要求。
2. 代码实战
以下两个示例展示了如何将函数加入链：
① 使用RunnableLambda将函数转换为Runnable接口
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。"
)
# 使用RunnableLambda包装函数
my_func = RunnableLambda(lambda ai_msg: {"name": ai_msg.content})
chain = first_prompt | model | my_func| second_prompt | model | str_parser
for chunk in chain.stream({"lastname": "曹", "gender": "女孩"}):
print(chunk, end="", flush=True)
② 直接将函数加入链
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。"
)
# 直接使用lambda函数，无需RunnableLambda
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)
关键点：
- RunnableLambda提供了一种标准化的方式来处理函数，但并非强制使用。
- 直接使用函数时，确保函数签名匹配链中前后组件的输入输出格式。
- 在简单场景下，直接使用lambda函数更简洁；在复杂或可重用场景下，RunnableLambda可能更有优势。
希望这能帮助你理解！继续加油学习～
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。
页:
[1]