第 2 章：LCEL 与 Runnable

学习目标

理解 LangChain Expression Language（LCEL）如何把可调用组件串联、并行和改写数据，并知道它何时比 StateGraph 更合适。

核心机制

所有 Runnable 都有统一的 invoke/ainvoke、batch/abatch、stream/astream 接口。a | b 表示前者输出作为后者输入：

chain = prepare | prompt | model | StrOutputParser()

Runnable	输入到输出	常用场景
RunnableLambda	任意 Python 函数	纯数据清洗、格式转换
RunnableParallel	同一输入到多个分支，输出 dict	独立并行计算或准备多个 prompt 字段
RunnablePassthrough.assign	保留 dict 并增加键	给下游增加 derived field，不丢原输入
ChatPromptTemplate	dict 到消息	将结构化输入转为模型输入

LCEL 不保存状态、不做分支路由，也不提供 checkpoint；它适合固定的数据管道。需要循环、动态跳转、子图或持久化时，用当前项目的 StateGraph。

与当前项目的关系

deep_researcher.py 目前直接调用模型，是因为每个节点的状态更新和 Command 跳转都需要显式控制。可把单个节点内部稳定的“准备 prompt -> 调模型 -> 解析”重构为 LCEL，但不要用 LCEL 取代 supervisor/researcher 图。

最小真实调用

02_lcel_runnables.py 先本地运行 RunnableParallel，再用 RunnableLambda -> assign -> prompt -> model -> parser 发起一次模型调用：

uv run python docs/langchain/examples/02_lcel_runnables.py

常见误区

• | 不是 shell 管道：前后组件的 Python 输入输出类型必须匹配。
• assign 不是原地修改：它返回新的输出 dict，原输入不会被可变修改。
• 对有副作用的函数盲目 batch：并发会放大费用、限流和写入风险。

官方参考：RunnablePassthrough。