向链状态中添加值

RunnablePassthrough.assign(...) 静态方法接受一个输入值，并将额外的参数传递给分配函数。

当以加法的方式创建一个字典作为后续步骤的输入时，这对于常见的LCEL模式非常有用。

这是一个示例：

%pip install --upgrade --quiet langchain langchain-openai

from langchain_core.runnables import RunnableParallel, RunnablePassthrough
 
runnable = RunnableParallel(
    extra=RunnablePassthrough.assign(mult=lambda x: x["num"] * 3),
    modified=lambda x: x["num"] + 1,
)
 
runnable.invoke({"num": 1})

让我们来解析这里发生的情况。

输入链是 {"num": 1}。它被传递到 RunnableParallel 中，在并行调用传入的可运行对象。
调用了 extra 键。RunnablePassthrough.assign() 保留了输入字典中的原始键 ({"num": 1})，并分配了一个名为 mult 的新键。值是 lambda x: x["num"] * 3)，即 3。因此，结果是 {"num": 1, "mult": 3}。
{"num": 1, "mult": 3} 被返回给 RunnableParallel 调用，并设置为键 extra 的值。
同时，调用了 modified 键。结果是 2，因为 lambda 从其输入中提取了一个名为 "num" 的键，并加上了 1。

因此，结果是 {'extra': {'num': 1, 'mult': 3}, 'modified': 2}。

流式传输

这种方法的一个好处是它允许值在可用时立即传递。为了展示这一点，我们将使用 RunnablePassthrough.assign() 来立即在检索链中返回源文档：

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
 
vectorstore = FAISS.from_texts(
    ["harrison worked at kensho"], embedding=OpenAIEmbeddings()
)
retriever = vectorstore.as_retriever()
template = """Answer the question based only on the following context:
{context}
 
Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)
model = ChatOpenAI()
 
generation_chain = prompt | model | StrOutputParser()
 
retrieval_chain = {
    "context": retriever,
    "question": RunnablePassthrough(),
} | RunnablePassthrough.assign(output=generation_chain)
 
stream = retrieval_chain.stream("where did harrison work?")
 
for chunk in stream:
    print(chunk)

我们可以看到，第一个块包含原始的 "question"，因为它是立即可用的。第二个块包含 "context"，因为检索器排在第二位。最后，generation_chain 的输出会根据可用情况以块形式流出。

接口（Interface）绑定（Binding）