LangChain 核心组件 RunnableLambda 详解与实战

3. 与普通函数的核心区别——一张表看懂

很多同学会问：'我直接在链中调用函数不行吗？为什么要多包一层？'下面用表格清晰对比：

举个直观例子：

普通函数实现'文本清洗 + 调用模型'

# 嵌套调用，繁琐且不易扩展
def clean_text(x):
    return x.strip().lower()

input_text = " Hello LangChain! "
cleaned = clean_text(input_text)
result = model.invoke(cleaned)  # 手动传递参数

RunnableLambda 链式实现

# 链式组合，清晰且可扩展
chain = RunnableLambda(clean_text) | model
result = chain.invoke(" Hello LangChain! ")  # 自动传递参数

4. API 快速上手——3 分钟入门

4.1 基础用法：包装函数并调用

from langchain_core.runnables import RunnableLambda

# 1. 定义普通函数
def log_input(x):
    print(f"[日志] 输入内容：{x}")
    return x  # 必须返回值，供下一个环节使用

# 2. 包装为 RunnableLambda
log_runnable = RunnableLambda(log_input)

# 3. 调用（支持 invoke/batch/ainvoke）
# 单个调用
log_runnable.invoke("测试输入")  # 输出：[日志] 输入内容：测试输入
# 批量调用（自动优化）
log_runnable.batch(["输入 1", "输入 2", "输入 3"])

4.2 核心方法速查

4.3 关键注意点

1. 包装的函数必须返回值（否则下一个环节会接收 None）
2. 函数参数建议保持简洁（输入输出尽量是字符串/字典，便于链传递）
3. 若函数有副作用（如写文件、调用外部 API），建议做好异常处理

5. 实战案例——从基础到进阶（5 个场景）

结合之前学过的 LangChain 知识，用 5 个实战案例带你掌握 RunnableLambda 的核心用法！

案例 1：基础文本清洗链（入门）

需求：去除首尾空格 → 转为小写 → 过滤数字

from langchain_core.runnables import RunnableLambda

# 构建链式清洗流程
text_clean_chain = (
    RunnableLambda(lambda x: x.strip())  # 去除空格
    | RunnableLambda(lambda x: x.lower())  # 转为小写
    | RunnableLambda(lambda x: ''.join([c for c in x if not c.isdigit()]))  # 过滤数字
)

# 执行
result = text_clean_chain.invoke(" Hello123World456 ")
print(result)  # 输出：helloworld

案例 2：链中插入日志 + 敏感词过滤（实用）

需求：解析用户输入 → 过滤敏感词 → 记录日志 → 调用大模型

from langchain_core.runnables import RunnableLambda
from langchain_openai import ChatOpenAI
import os

# 1. 配置模型（建议用环境变量存储密钥，避免硬编码）
model = ChatOpenAI(
    model_name="qwen-plus",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("DASHSCOPE_API_KEY"),  # 从环境变量读取
    temperature=0.7
)

# 2. 自定义函数：过滤敏感词
def filter_sensitive(text: str) -> str:
    sensitive_words = ["暴力", "色情", "赌博"]
    for word in sensitive_words:
        text = text.replace(word, "***")
    return text

# 3. 自定义函数：记录请求日志
def log_request(text: str) -> str:
    print(f"[用户请求] {text}")
    return text

# 4. 构建链（解析输入→过滤→日志→模型）
chain = (
    RunnableLambda(lambda x: x["user_input"])  # 从字典中提取输入
    | RunnableLambda(filter_sensitive)  # 过滤敏感词
    | RunnableLambda(log_request)  # 记录日志
    | model  # 调用大模型
)

# 执行
result = chain.invoke({"user_input": "这个电影包含暴力内容"})
print(result.content)  # 输出：这个电影包含***内容（大模型处理后的结果）

案例 3：异步处理实战（高并发场景）

需求：异步调用外部 API（如翻译接口），融入链中

import asyncio
import aiohttp
from langchain_core.runnables import RunnableLambda
from langchain_core.prompts import ChatPromptTemplate

# 1. 异步函数：调用外部翻译 API（示例用百度翻译测试）
async def translate_to_en(text: str) -> str:
    async with aiohttp.ClientSession() as session:
        url = "https://fanyi.baidu.com/sug"
        params = {"kw": text}
        async with session.get(url, params=params) as resp:
            data = await resp.json()
            return data["data"][0]["v"]  # 简化处理，实际需异常捕获

# 2. 构建链：翻译→Prompt→模型
prompt = ChatPromptTemplate.from_template("解释这个英文短语：{text}")
chain = (
    RunnableLambda(translate_to_en)  # 异步翻译（传入 async 函数）
    | prompt  # 构建 Prompt
    | model  # 调用模型解释
)

# 3. 异步执行
async def main():
    result = await chain.ainvoke("你好世界")  # 用 ainvoke 异步调用
    print(result.content)

asyncio.run(main())

案例 4：批量数据处理（大数据量场景）

需求：批量处理 10 条用户评论，清洗后批量调用模型生成回复

from langchain_core.runnables import RunnableLambda
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model_name="qwen-plus", api_key=os.getenv("DASHSCOPE_API_KEY"))

# 1. 文本清洗函数
def clean_comment(comment: str) -> str:
    return comment.strip().replace("垃圾", "***").replace("卧槽", "**")

# 2. 构建链：清洗→生成回复
chain = (
    RunnableLambda(clean_comment)
    | ChatPromptTemplate.from_template("回复用户评论：{input}")
    | model
)

# 3. 批量执行（自动优化请求，比循环 invoke 更高效）
comments = [
    " 这个产品太垃圾了！ ",
    "卧槽，体验超差！",
    "很好用，推荐！",
    # ... 更多评论（共 10 条）
]

# 批量调用
results = chain.batch(comments)
for idx, res in enumerate(results):
    print(f"回复{idx+1}：{res.content}")

案例 5：结合 RAG 与 Output Parser（复杂链路）

需求：RAG 检索后，用 RunnableLambda 处理检索结果，再通过 PydanticOutputParser 格式化输出

from langchain_core.runnables import RunnableLambda
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import ChatPromptTemplate
from pydantic import BaseModel, Field
from langchain_milvus import Milvus
from langchain_core.embeddings import FakeEmbeddings

# 1. 定义输出格式（Pydantic）
class CommentSummary(BaseModel):
    sentiment: str = Field(description="情感倾向：正面/负面/中性")
    reason: str = Field(description="判断理由")
    reply: str = Field(description="回复建议")

parser = PydanticOutputParser(pydantic_object=CommentSummary)

# 2. RAG 检索（简化：用 FakeEmbeddings 模拟）
embeddings = FakeEmbeddings(size=100)
vector_db = Milvus(
    embedding_function=embeddings,
    connection_args={"uri": "http://localhost:19530"},
    collection_name="comments",
)

# 3. 自定义函数：处理检索结果（提取前 3 条相关评论）
def process_retrieval(results):
    comments = [doc.page_content for doc in results[:3]]
    return "\n".join(comments)

# 4. 构建链：检索→处理结果→Prompt→模型→解析
chain = (
    vector_db.as_retriever()  # RAG 检索
    | RunnableLambda(process_retrieval)  # 处理检索结果
    | ChatPromptTemplate.from_template("""
        分析以下用户评论，按要求输出：
        {comments}
        {format_instructions}
        """)
    | model
    | parser  # 格式化输出
)

# 执行
result = chain.invoke("产品质量相关评论")
print(result.sentiment)  # 输出：负面
print(result.reply)  # 输出：针对质量问题的回复建议

6. 常见问题与注意事项

6.1 踩坑指南

1. 函数无返回值导致链中断
   ❌ 错误：def log(x): print(x)（无返回值）
   ✅ 正确：def log(x): print(x); return x（必须返回输入或处理后的值）
2. 批量处理时函数不支持迭代
   若函数只能处理单个输入，batch 会自动循环调用（无需手动处理），但建议确保函数是'无状态'的（不依赖全局变量）。
3. 异步函数必须用 ainvoke 调用
   传入 async 函数时，用 invoke 会报错，必须用 await ainvoke() 或 astream()。

6.2 性能优化建议

• 批量处理优先用 batch 而非循环 invoke（LangChain 会自动优化网络请求和资源占用）
• 若函数耗时较长（如调用外部 API），优先用异步版本（ainvoke），避免阻塞主线程
• 复杂逻辑建议拆分多个小函数，通过链式组合（便于调试和复用）

7. 总结与展望

RunnableLambda 是 LangChain 中'灵活性的关键'——它让我们摆脱了 LangChain 内置组件的限制，能够将任意自定义逻辑（数据处理、日志、外部系统调用）无缝融入 AI 链路中。

核心要点回顾

1. 定位：普通函数的'LangChain 通行证'，实现函数与 Runnable 的兼容
2. 核心价值：可组合性、异步支持、批量处理、生态兼容
3. 适用场景：插入自定义逻辑、打通外部系统、数据格式转换、日志监控等