RunnablePassthrough

RunnablePassthrough 是 LangChain 框架中一个非常实用的基础组件，核心作用是透传输入数据或基于输入数据生成新的输出，常与其他 Runnable（如提示词模板、LLM 模型）配合使用，是构建复杂链（Chain）的关键工具。

一、核心概念（新手友好版）

可以把 RunnablePassthrough 理解成一个“数据中转站”：

• 基础用法：原封不动地把输入数据传给下一个组件（比如模型）；
• 进阶用法：在透传的同时，对输入数据做简单加工（比如新增字段、修改字段值）。

它的核心价值是解决“输入数据格式不匹配”的问题——比如模型需要 {"question": "...", "context": "..."} 格式，但原始输入只有 {"question": "..."}，就可以用 RunnablePassthrough 补充 context 字段。

二、基础用法（直接透传）

1. 纯透传（无加工）

适用于输入数据格式已经满足下一个组件要求的场景，代码可直接运行（需先安装 LangChain）：

# 第一步：安装依赖（如果未安装）
# pip install langchain

# 第二步：核心代码
from langchain_core.runnables import RunnablePassthrough

# 初始化 RunnablePassthrough 实例
passthrough = RunnablePassthrough()

# 测试：输入什么，输出就是什么
input_data = {"question": "什么是 RunnablePassthrough？"}
output = passthrough.invoke(input_data)

print(output)
# 输出结果：{'question': '什么是 RunnablePassthrough？'}

2. 配合 LLM 实现“输入透传+模型调用”

这是最常见的场景：透传用户输入，拼接提示词后调用模型。

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI  # 需安装：pip install langchain-openai
from langchain_core.runnables import RunnablePassthrough

# 1. 初始化模型（需配置 OpenAI API Key，或替换为其他模型如 ChatAnthropic）
import os
os.environ["OPENAI_API_KEY"] = "你的 OpenAI API Key"
llm = ChatOpenAI(model="gpt-3.5-turbo")

# 2. 定义提示词模板（需要接收 "question" 字段）
prompt = ChatPromptTemplate.from_template("请用简单的语言解释：{question}")

# 3. 构建链：透传输入 → 拼接提示词 → 调用模型
chain = RunnablePassthrough() | prompt | llm

# 4. 调用链
result = chain.invoke({"question": "什么是 RunnablePassthrough？"})
print(result.content)
# 输出示例：RunnablePassthrough 是 LangChain 中的一个组件，主要作用是透传输入数据...

三、进阶用法（加工数据后透传）

1. 用 assign() 新增字段

最常用的进阶功能：基于原始输入，新增字段后透传（比如补充上下文、系统指令）。

from langchain_core.runnables import RunnablePassthrough

# 原始输入只有 question
input_data = {"question": "LangChain 是什么？"}

# 初始化 RunnablePassthrough，新增 context 字段
passthrough = RunnablePassthrough.assign(
    # value 可以是固定值，也可以是函数（接收原始输入作为参数）
    context=lambda x: f"用户现在问的是：{x['question']}，请用简洁的语言回答"
)

# 调用后，输出包含原始 question + 新增的 context
output = passthrough.invoke(input_data)
print(output)
# 输出结果：
# {'question': 'LangChain 是什么？', 'context': '用户现在问的是：LangChain 是什么？，请用简洁的语言回答'}

2. 用 pick() 筛选字段

如果原始输入字段太多，可通过 pick() 只透传需要的字段：

from langchain_core.runnables import RunnablePassthrough

# 原始输入有多个字段
input_data = {"question": "Python 怎么学？", "user_id": 123, "time": "2026-03-15"}

# 只透传 question 字段
passthrough = RunnablePassthrough.pick(["question"])
output = passthrough.invoke(input_data)

print(output)
# 输出结果：{'question': 'Python 怎么学？'}

四、实战场景（完整示例）

结合 assign() + LLM 实现“动态补充上下文 + 模型回答”：

from langchain_core.runnables import RunnablePassthrough
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 初始化模型
os.environ["OPENAI_API_KEY"] = "你的 API Key"
llm = ChatOpenAI(model="gpt-3.5-turbo")

# 2. 提示词模板（使用 question 和 context 两个字段）
prompt = ChatPromptTemplate.from_template(
    "根据上下文回答问题：\n上下文：{context}\n问题：{question}"
)

# 3. 构建链：加工数据 → 拼接提示词 → 调用模型
chain = (
    RunnablePassthrough.assign(
        # 动态生成上下文
        context=lambda x: f"用户提问关于{x['question']}，要求回答不超过50个字"
    )
    | prompt
    | llm
)

# 4. 调用链
result = chain.invoke({"question": "RunnablePassthrough 的核心作用？"})
print(result.content)
# 输出示例：RunnablePassthrough 是 LangChain 组件，可透传或加工输入数据，适配下游组件格式。

总结

1. 核心作用：RunnablePassthrough 是 LangChain 的“数据中转站”，核心是透传/加工输入数据，适配下游组件的格式要求；
2. 基础用法：RunnablePassthrough() 纯透传，pick() 筛选字段；
3. 进阶用法：assign() 基于原始输入新增/修改字段，是最常用的实战功能。

这个组件本身不做复杂逻辑处理，但能让链的数据流更灵活，是构建 LangChain 复杂应用的基础工具。