RunnablePassthrough：传递数据

RunnablePassthrough 允许不改变或添加额外的键来传递输入。这通常与 RunnableParallel 结合使用，将数据分配给映射中的新键。

RunnablePassthrough() 自行调用，将简单地获取输入并将其传递。

使用分配调用 RunnablePassthrough (RunnablePassthrough.assign(...)) 将获取输入，并将添加传递给分配函数的额外参数。

请参阅下面的示例：

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

from langchain_core.runnables import RunnableParallel, RunnablePassthrough

runnable = RunnableParallel(
    passed=RunnablePassthrough(),
    extra=RunnablePassthrough.assign(mult=lambda x: x["num"] * 3),
    modified=lambda x: x["num"] + 1,
)

runnable.invoke({"num": 1})

{'passed': {'num': 1}, 'extra': {'num': 1, 'mult': 3}, 'modified': 2}

如上所示，传递的密钥是使用 RunnablePassthrough() 调用的，因此它只是传递 {'num': 1}。

在第二行中，我们使用 RunnablePastshrough.assign 和一个将数值乘以 3 的 lambda。在这种情况下，使用 {'num': 1, 'mult': 3} 设置 extra，这是带有 mult 的原始值已添加密钥。

最后，我们还在映射中设置了第三个键，它使用 lambda 来设置单个值，将 num 加 1，这导致修改后的键值为 2。

检索示例

在下面的示例中，我们看到一个使用 RunnablePassthrough 和 RunnableMap 的用例。

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()

retrieval_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | model
    | StrOutputParser()
)

retrieval_chain.invoke("where did harrison work?")

'Harrison worked at Kensho.'

这里提示的输入应该是一个带有“context”和“question”键的地图。用户输入只是问题。因此，我们需要使用检索器获取上下文，并通过“question”键下的用户输入。在这种情况下，RunnablePassthrough 允许我们将用户的问题传递给提示和模型。