Runnable：把写逻辑变成组装 chain
LangChain 很多 api 都实现了 Runnable 接口，比如 PromptTemplate、OutputParser、ChatOpenAI 等。
不信你可以看一下：
而且 Runnable 相关的 api 也有很多：
那 Runnable 都是干什么的呢？
它可以让我们声明式的写代码，从写逻辑变成组装 chain。我们试一下：
mkdir runnable-test
cd runnable-test
npm init -y
进入项目安装依赖：
pnpm install dotenv @langchain/core @langchain/openai zod
创建.env 文件：
# OpenAI API 配置
OPENAI_API_KEY=sk-xxx
OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
MODEL_NAME=qwen-plus
EMBEDDINGS_MODEL_NAME=text-embedding-v3
之前我们这么写
src/before.mjs
import 'dotenv/config';
import { StructuredOutputParser } from"@langchain/core/output_parsers";
import { PromptTemplate } from"@langchain/core/prompts";
import { ChatOpenAI } from"@langchain/openai";
import { z } from"zod";
const model = new ChatOpenAI({
modelName: process.env.MODEL_NAME,
apiKey: process.env.OPENAI_API_KEY,
temperature: 0,
configuration: {
baseURL: process.env.OPENAI_BASE_URL,
},
});
// 定义输出结构 schema
const schema = z.object({
translation: z.string().describe("翻译后的英文文本"),
keywords: z.array(z.string()).length(3).describe("3个关键词")
});
const outputParser = StructuredOutputParser.fromZodSchema(schema);
const promptTemplate = PromptTemplate.fromTemplate(
'将以下文本翻译成英文，然后总结为3个关键词。\n\n文本：{text}\n\n{format_instructions}'
);
const input = {
text: 'LangChain 是一个强大的 AI 应用开发框架',
format_instructions: outputParser.getFormatInstructions()
};
// 步骤 1: 格式化 prompt
const formattedPrompt = await promptTemplate.format(input);
// 步骤 2: 调用模型
const response = await model.invoke(formattedPrompt);
// 步骤 3: 解析输出
const result = await outputParser.invoke(response);
console.log('✅ 最终结果:');
console.log(result);
用 PromptTemplate 管理 prompt，调用 format 传入占位符的值。
调用 ChatOpenAI 的大模型，通过 invoke 方法
用 StructuredOutputParser 做结构化解析，调用 invoke
有了 Runnable 可以这么写：
src/runnable.mjs
import 'dotenv/config';
import { StructuredOutputParser } from"@langchain/core/output_parsers";
import { PromptTemplate } from"@langchain/core/prompts";
import { ChatOpenAI } from"@langchain/openai";
import { RunnableSequence } from"@langchain/core/runnables";
import { z } from"zod";
const model = new ChatOpenAI({
modelName: process.env.MODEL_NAME,
apiKey: process.env.OPENAI_API_KEY,
temperature: 0,
configuration: {
baseURL: process.env.OPENAI_BASE_URL,
},
});
// 定义输出结构 schema
const schema = z.object({
translation: z.string().describe("翻译后的英文文本"),
keywords: z.array(z.string()).length(3).describe("3个关键词")
});
const outputParser = StructuredOutputParser.fromZodSchema(schema);
const promptTemplate = PromptTemplate.fromTemplate(
'将以下文本翻译成英文，然后总结为3个关键词。\n\n文本：{text}\n\n{format_instructions}'
);
const chain = RunnableSequence.from([
promptTemplate,
model,
outputParser
]);
const input = {
text: 'LangChain 是一个强大的 AI 应用开发框架',
format_instructions: outputParser.getFormatInstructions()
};
const result = await chain.invoke(input);
console.log('✅ 最终结果:');
console.log(result);
用 RunnableSequence 声明这三个顺序执行，然后直接执行这条 chain 就好了。
除了 RunnableSequence 声明，还可以直接 pipe：
跑下试试：
pipe 的源码里，也是返回 RunnableSequence，这俩本质一样：
明显用了 Runnable 之后，代码简洁了很多。
实现了 Runnable api 后，就可以声明式的组合执行的 chain，然后统一执行。
这种声明式的写法叫做 LCEL（Lang Chain Expression Language，LangChain 表达式语言）
LCEL 就是实现了 Runnbale 接口的一些 api 组合成 chain，然后统一执行。
Runnable 都有 invoke、stream、batch 方法。
这样你调用 invoke，就会依次调用这个链条上每个组件的 invoke
batch 是批量，也就是并发进行多个单独的 invoke
调用 stream 就是调用这个链条上每个组件的 stream，不断返回数据。
串联起来的 Runnable 的 chain 就自然可以支持同步调用、批量调用、流式返回。
那我们就只需要考虑怎么组装这个 chain 了。
这就是用 LCEL 的方式写代码的好处，你不需要依次调用每个组件，只需要声明这个 chain，然后统一调用。
前面用了 RunnableSequence，它是顺序执行，我们再来用一下其余的 Runnable api：
首先是 RunnableLambda，这个是把普通函数封装成 Runnable 对象
src/runnables/RunnableLambda.mjs
import 'dotenv/config';
import { RunnableLambda, RunnableSequence } from"@langchain/core/runnables";
const addOne = RunnableLambda.from((input) => {
console.log(`输入: ${input}`);
return input + 1;
});
const multiplyTwo = RunnableLambda.from((input) => {
console.log(`输入: ${input}`);
return input * 2;
});
const chain = RunnableSequence.from([
addOne,
multiplyTwo,
addOne
]);
const result = await chain.invoke(5);
console.log(result);
我们把两个函数通过 RunnableLambda 封装成了 Runnable 对象
然后通过 RunnableSequence 来顺序调用。
这样，普通函数就可以在这个 chain 里调用了。
然后是 RunnableMap，它可以并行执行多个 Runnable：
src/runnables/RunnableMap.mjs
import 'dotenv/config';
import { RunnableMap, RunnableLambda } from"@langchain/core/runnables";
import { PromptTemplate } from"@langchain/core/prompts";
const addOne = RunnableLambda.from((input) => input.num + 1);
const multiplyTwo = RunnableLambda.from((input) => input.num * 2);
const square = RunnableLambda.from((input) => input.num * input.num);
const greetTemplate = PromptTemplate.fromTemplate("你好，{name}！");
const weatherTemplate = PromptTemplate.fromTemplate("今天天气{weather}。");
// 创建 RunnableMap，并行执行多个 runnable
const runnableMap = RunnableMap.from({
// 数学运算
add: addOne,
multiply: multiplyTwo,
square: square,
// prompt 格式化
greeting: greetTemplate,
weather: weatherTemplate,
});
// 测试输入
const input = {
name: "神光",
weather: "多云",
num: 5,
};
// 执行 RunnableMap
const result = await runnableMap.invoke(input);
console.log(result);
这里我们输入的 input 会并行经过 5 个 Runnable 处理，结果放到对象的对应属性上
接下来是 RunnableBranch，它就是 if else 逻辑
src/runnable/RunnableBranch.mjs
import 'dotenv/config';
import { RunnableBranch, RunnableLambda } from"@langchain/core/runnables";
// 创建条件判断函数
const isPositive = RunnableLambda.from((input) => input > 0);
const isNegative = RunnableLambda.from((input) => input < 0);
const isEven = RunnableLambda.from((input) => input % 2 === 0);
// 创建分支处理函数
const handlePositive = RunnableLambda.from((input) =>`正数: ${input} + 10 = ${input + 10}`);
const handleNegative = RunnableLambda.from((input) =>`负数: ${input} - 10 = ${input - 10}`);
const handleEven = RunnableLambda.from((input) =>`偶数: ${input} * 2 = ${input * 2}`);
const handleDefault = RunnableLambda.from((input) =>`默认: ${input}`);
// 创建 RunnableBranch
const branch = RunnableBranch.from([
[isPositive, handlePositive],
[isNegative, handleNegative],
[isEven, handleEven],
handleDefault
]);
// 测试不同的输入
const testCases = [5, -3, 4, 0];
for (const testCase of testCases) {
const result = await branch.invoke(testCase);
console.log(`输入: ${testCase} => ${result}`);
}
这里分别对正数、负数、偶数等做不同处理，也就是 if else 的逻辑。
跑一下：
然后是 RouterRunnable，它相当于 switch case
src/runnables/RouterRunnable.mjs
import 'dotenv/config';
import { RouterRunnable, RunnableLambda } from"@langchain/core/runnables";
// 创建两个简单的 RunnableLambda
const toUpperCase = RunnableLambda.from((text) => text.toUpperCase());
const reverseText = RunnableLambda.from((text) => text.split("").reverse().join(""));
// 创建 RouterRunnable，根据 key 选择要调用的 runnable
const router = new RouterRunnable({
runnables: {
toUpperCase,
reverseText,
},
});
// 测试：调用 reverseText
const result1 = await router.invoke({ key: "reverseText", input: "Hello World" });
console.log('reverseText 结果:', result1);
// 测试：调用 toUpperCase
const result2 = await router.invoke({ key: "toUpperCase", input: "Hello World" });
console.log('toUpperCase 结果:', result2);
根据 key 匹配对应的 chain 来执行。
然后是 RunnablePassthrough，它是传入的最初的值：
import 'dotenv/config';
import { RunnablePassthrough, RunnableLambda, RunnableSequence, RunnableMap } from"@langchain/core/runnables";
const chain = RunnableSequence.from([
RunnableLambda.from((input) => ({ concept: input })),
RunnableMap.from({
original: new RunnablePassthrough(),
processed: RunnableLambda.from((obj) => ({
concept: input,
upper: obj.concept.toUpperCase(),
length: obj.concept.length,
}))
})
]);
const input = "神说要有光";
const result = await chain.invoke(input);
console.log(result);
我们先用 RunnableLambda 对输入做了转换，然后用 RunnableMap 并行处理。
orinal 用 RunnablePassthrough 拿到原始值
processed 部分用 RunnableLambda 处理。
可以看到 original 部分就是通过 RunnablePassthrough 拿到了原始值。
这段代码还可以简化：
只保留函数、对象即可，LangChain 会把函数转为 RunnableLambda，把对象转为 RunnableMap
如果是想保留原始属性，只是扩展一些属性，用 RunnablePassthrough.assign
const chain = RunnableSequence.from([
(input) => ({ concept: input }),
RunnablePassthrough.assign({
original: new RunnablePassthrough(),
processed: (obj) => ({
concept: input,
upper: obj.concept.toUpperCase(),
length: obj.concept.length,
})
})
]);
现在之前的属性也保留着，只是合并了新的属性，就像 Object.assign 一样。
接下来是 RunnableEach，这个显然就是循环：
src/runnables/RunnableEach.mjs
import 'dotenv/config';
import { RunnableEach, RunnableLambda, RunnableSequence } from"@langchain/core/runnables";
const toUpperCase = RunnableLambda.from((input) => input.toUpperCase());
const addGreeting = RunnableLambda.from((input) =>`你好，${input}！`);
const processItem = RunnableSequence.from([
toUpperCase,
addGreeting,
]);
// 使用 RunnableEach 对数组中的每个元素应用这个链
const chain = new RunnableEach({
bound: processItem,
});
const input = ["alice", "bob", "carol"];
const result = await chain.invoke(input);
console.log('✅ RunnableEach - 数组元素处理:');
console.log('输入:', input);
console.log('输出:', result);
对输入的数组的每个元素应用这个 chain
再就是 RunnablePick，这个就是从对象里取一些属性：
src/runnables/RunablePick.mjs
import 'dotenv/config';
import { RunnablePick, RunnableSequence } from"@langchain/core/runnables";
const inputData = {
name: "神光",
age: 30,
city: "北京",
country: "中国",
email: "shenguang@example.com",
phone: "+86-13800138000",
};
const chain = RunnableSequence.from([
(input) => ({
...input,
fullInfo: `${input.name}，${input.age}岁，来自${input.city}`,
}),
new RunnablePick(["name", "fullInfo"]),
]);
const result = await chain.invoke(inputData);
console.log(result);
最后是 RunnableWithMessageHistory，它是给 chain 加上 memory 的功能
src/runnables/RunnableWithMessageHistory.mjs
import 'dotenv/config';
import { RunnableWithMessageHistory } from"@langchain/core/runnables";
import { InMemoryChatMessageHistory } from"@langchain/core/chat_history";
import { ChatOpenAI } from"@langchain/openai";
import { ChatPromptTemplate, MessagesPlaceholder } from"@langchain/core/prompts";
import { StringOutputParser } from"@langchain/core/output_parsers";
const model = new ChatOpenAI({
modelName: process.env.MODEL_NAME,
apiKey: process.env.OPENAI_API_KEY,
temperature: 0.3,
configuration: {
baseURL: process.env.OPENAI_BASE_URL,
},
});
const prompt = ChatPromptTemplate.fromMessages([
[
"system",
"你是一个简洁、有帮助的中文助手，会用 1-2 句话回答用户问题，重点给出明确、有用的信息。",
],
new MessagesPlaceholder("history"),
["human", "{question}"],
]);
const simpleChain = prompt.pipe(model).pipe(new StringOutputParser());
const messageHistories = newMap();
const getMessageHistory = (sessionId) => {
if (!messageHistories.has(sessionId)) {
messageHistories.set(sessionId, new InMemoryChatMessageHistory());
}
return messageHistories.get(sessionId);
};
// 创建带消息历史的链
const chain = new RunnableWithMessageHistory({
runnable: simpleChain,
getMessageHistory: (sessionId) => getMessageHistory(sessionId),
inputMessagesKey: "question",
historyMessagesKey: "history",
});
// 测试：第一次对话
console.log('--- 第一次对话（提供信息） ---');
const result1 = await chain.invoke(
{
question: "我的名字是神光，我来自山东，我喜欢编程、写作、金铲铲。",
},
{
configurable: {
sessionId: "user-123",
},
}
);
console.log('问题: 我的名字是神光，我来自山东，我喜欢编程、写作、金铲铲。');
console.log('回答:', result1);
console.log();
// 测试：第二次对话
console.log('--- 第二次对话（询问之前的信息） ---');
const result2 = await chain.invoke(
{
question: "我刚才说我来自哪里？",
},
{
configurable: {
sessionId: "user-123",
},
}
);
console.log('问题: 我刚才说我来自哪里？');
console.log('回答:', result2);
console.log();
// 测试：第三次对话
console.log('--- 第三次对话（继续询问） ---');
const result3 = await chain.invoke(
{
question: "我的爱好是什么？",
},
{
configurable: {
sessionId: "user-123",
},
}
);
console.log('问题: 我的爱好是什么？');
console.log('回答:', result3);
console.log();
我们用 ChatPromptTemplate 创建 prompt，其中 history 对话历史用 MessagesPlaceholder 插入。
在 map 里管理每个 sessionId 对应的 ChatMessageHistory
然后创建 RunnableWithMessageHistory 的 chain，告诉它问题、回答都是从哪个字段取
跑一下：
这样就可以给一段 Chain 加上 memory。
代码上传了课程仓库： https://github.com/QuarkGluonPlasma/ai-agent-course-code
总结
LangChain 的很多组件都继承了 Runnable 抽象类，而且也提供了很多 Runnable 的 api
基于 Runnable 的 api 可以很简洁的组装好一条 chain，不用再写很多逻辑
这个叫做 LangChain 表达式语言（LCEL）
我们学了很多 Runnable 的 api：
RunnableSequence：顺序执行 RunnableLambda：把函数包装成 Runnable RunnableMap：并行执行多个 chain，结果放在对象属性上 RunnableBranch：if else 逻辑 RouterRunnable：switch case 逻辑，根据 key 决定执行哪个 chain RunnableEach：循环数组每个元素来调用 chain RunnablePassthrough：拿到原始输入 RunnablePick：取输入对象的某些属性返回 RunnableWithMessageHistory：给 chain 加上 memory
有了这些 Runnable 的 api，我们可以轻松组装出各种 chain。
并且 Runnable 提供了 invoke、stream、batch 方法，可以做同步调用、流式返回、批量调用等。
学完 Runnable 的 api 后，我们再写之前的逻辑，就都可以用 chain 的方式写了，这样更简洁。