零基础学AI大模型之RunnableLambda

Ne0inhk

23 Mar 2026 — 14 min read

大家好，我是工藤学编程 🦉	一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉	C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷	【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表	分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列	深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型	零基础学AI大模型之RunnableParallel

前情摘要

本文章目录

前情摘要
1. 什么是RunnableLambda？—— 普通函数的“LangChain通行证”
- 1.1 核心设计初衷
- 1.2 类定义简化理解
2. 核心功能与价值——为什么需要RunnableLambda？
3. 与普通函数的核心区别——一张表看懂
- 举个直观例子：
  - 普通函数实现“文本清洗+调用模型”
  - RunnableLambda链式实现
4. API快速上手——3分钟入门
5. 实战案例——从基础到进阶（5个场景）
6. 常见问题与注意事项
- 6.1 踩坑指南
- 6.2 性能优化建议
7. 总结与展望
- 核心要点回顾

脉脉AI创作者活动推荐
目前脉脉正在进行【AI创作者xAMA】活动，奖励丰富，感兴趣的小伙伴可以在评论区评论哦！

1. 什么是RunnableLambda？—— 普通函数的“LangChain通行证”

在之前的文章中，我们学习了LangChain的链（Chain） 是由多个Runnable对象通过|符号组合而成的（比如 PromptTemplate | ChatModel | OutputParser）。但如果我们想在链中插入自己写的普通Python函数（比如数据清洗、日志记录、调用外部API），直接放进去会报错——因为普通函数不遵守Runnable协议，无法被LangChain的链识别和调用。

这时候，RunnableLambda 就派上用场了！

它的核心定位是：将任意Python函数/可调用对象，快速转换为符合LangChain Runnable 协议的对象，让普通函数拥有“通行证”，无缝融入LCEL（LangChain Expression Language）链中。

1.1 核心设计初衷

解决“普通函数无法接入LangChain链”的痛点
无需复杂封装，一行代码实现函数与LangChain生态的兼容
支持自定义逻辑（日志、数据处理、外部系统调用）的灵活插入

1.2 类定义简化理解

from langchain_core.runnables import RunnableLambda # 本质：包装一个函数，让它继承Runnable的所有能力classRunnableLambda(Runnable[Input, Output]):def__init__(self, func: Callable[[Input], Output]): self.func = func # 传入的普通函数# 实现Runnable的核心方法（invoke/batch/ainvoke等）definvoke(self,input: Input, config=None)-> Output:return self.func(input)# 调用原始函数并返回结果

简单说：RunnableLambda 就是一个“包装器”，把普通函数包一层，让它拥有invoke、batch、ainvoke等Runnable的核心能力。

2. 核心功能与价值——为什么需要RunnableLambda？

RunnableLambda的价值不在于“创造新功能”，而在于“打通兼容性”，它的核心功能可以总结为3点：

核心功能	具体说明	应用场景
函数转Runnable	普通函数 → Runnable对象	插入LangChain链中执行
无缝链式组合	支持`	`符号与其他Runnable（PromptTemplate、Model、Parser）组合
原生支持高级特性	无需额外编码，自动支持异步（ainvoke）、批量（batch）、流式（stream）	高并发、大数据量场景

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：

特性	普通函数	RunnableLambda包装后	关键说明
可组合性	❌ 无法直接用`	`接入链	✅ 支持`
类型校验	❌ 无原生支持	✅ 支持静态类型检查	配合TypeHint，IDE可自动提示参数/返回值类型
异步支持	❌ 需手动实现async	✅ 原生支持`ainvoke`	传入async函数即可异步执行，无需额外封装
批量处理	❌ 需手动循环	✅ 原生支持`batch`	自动优化批量请求（如批量调用大模型时减少网络开销）
LangChain生态兼容	❌ 无法接入Chain	✅ 无缝集成所有Runnable链路	可与PromptTemplate、Retriever、Parser等直接组合

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defclean_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deflog_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

方法	作用	示例
`invoke(input)`	单个输入执行	`runnable.invoke("hello")`
`batch(inputs)`	批量输入执行	`runnable.batch(["a", "b", "c"])`
`ainvoke(input)`	异步单个执行（需传入async函数）	`await runnable.ainvoke("hello")`
`astream(input)`	异步流式输出	`async for chunk in runnable.astream("hello")`

4.3 关键注意点

包装的函数必须返回值（否则下一个环节会接收None）
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）
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 ifnot 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deffilter_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deflog_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）asyncdeftranslate_to_en(text:str)->str:asyncwith aiohttp.ClientSession()as session: url ="https://fanyi.baidu.com/sug" params ={"kw": text}asyncwith 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asyncdefmain(): 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defclean_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 inenumerate(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）classCommentSummary(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）defprocess_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

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）
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）。
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

定位：普通函数的“LangChain通行证”，实现函数与Runnable的兼容
核心价值：可组合性、异步支持、批量处理、生态兼容
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

如果本文对你有帮助，欢迎点赞+关注+收藏🌟 ，有任何问题或实战需求，欢迎在评论区留言交流～我是工藤学编程，陪你从零到一玩转AI大模型！