1. Runnable 与 LCEL:LangChain 的声明式编程范式
在 LangChain 生态中,Runnable 接口的出现彻底改变了我们构建 AI 应用链的方式。作为 LCEL(LangChain Expression Language)的核心实现机制,它解决了传统 AI 应用开发中最令人头疼的组件耦合问题。想象一下,如果没有 Runnable,我们需要为每个 Prompt 模板、LLM 调用和输出解析器编写大量胶水代码,就像用原始汇编语言编写现代应用程序一样低效。
Runnable 的设计哲学体现在三个关键标准化上:
- 输入标准化:接受 dict、str 或 Pydantic 的 BaseModel 作为通用输入容器
- 输出标准化:统一输出为 str、dict、BaseModel 或 AIMessage 结构
- 方法标准化:所有组件都实现 invoke/batch/stream 及其异步版本
这种标准化带来的最直接好处是管道操作符(|)的魔法。我们可以像 Linux shell 管道一样组合组件:
python复制chain = prompt | llm | output_parser
注意:实际开发中建议为每个管道阶段添加类型注解,这能让 IDE 的自动补全更好地工作。例如使用
typing.cast明确标注Runnable[InputType, OutputType]
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 结构化输出的革命:Pydantic 与 LLM 的强类型结合
2.1 为什么需要结构化输出?
传统 LLM 的自由文本输出就像没有 schema 的 JSON——对人类可读但对程序不友好。通过将 Pydantic 模型集成到 Runnable 流程,我们获得了三大优势:
- 类型安全:字段类型在运行时强制校验
- 自文档化:Field 的 description 可作为 LLM 生成的指引
- 开发体验:IDE 能基于模型定义提供智能提示
2.2 with_structured_output 的底层机制
当调用 llm.with_structured_output(Person) 时,LangChain 实际上在幕后完成了以下转换:
