如何并行调用可运行对象

先决条件

本指南假定读者熟悉以下概念：

RunnableParallel 原语本质上是一个字典，其值为可运行对象（或可转换为可运行对象的内容，如函数）。它会并行运行所有值，每个值都使用 RunnableParallel 的整体输入进行调用。最终返回值是一个字典，其中包含每个值的结果，结果以相应的键存储。

使用 `RunnableParallels` 格式化

RunnableParallels 有助于并行化操作，但也可用于调整一个 Runnable 的输出以匹配序列中下一个 Runnable 的输入格式。您可以使用它们来拆分或分支链，以便多个组件可以并行处理输入。稍后，其他组件可以合并结果以生成最终响应。这种类型的链创建了一个计算图，其结构如下：

     Input
      / \
     /   \
 Branch1 Branch2
     \   /
      \ /
      Combine

下方，提示词的输入应为一个包含键 "context" 和 "question" 的映射。用户输入仅为问题。因此，我们需要使用检索器获取上下文，并将用户输入传递到 "question" 键下。

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}
"""

# The prompt expects input with keys for "context" and "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.'

提示

请注意，当将一个 RunnableParallel 与其他 Runnable 组合时，我们甚至不需要将字典包装在 RunnableParallel 类中——类型转换会自动为我们处理。在链的上下文中，它们是等价的：

{"context": retriever, "question": RunnablePassthrough()}

RunnableParallel({"context": retriever, "question": RunnablePassthrough()})

RunnableParallel(context=retriever, question=RunnablePassthrough())

查看强制转换部分以了解更多信息。

使用 itemgetter 作为简写

请注意，您可以使用 Python 的 itemgetter 作为简写，以便在与 RunnableParallel 结合时从映射中提取数据。您可以在 Python 文档中找到有关 itemgetter 的更多信息。

在下面的示例中，我们使用 itemgetter 从映射中提取特定键：

from operator import itemgetter

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}

Answer in the following language: {language}
"""
prompt = ChatPromptTemplate.from_template(template)

chain = (
    {
        "context": itemgetter("question") | retriever,
        "question": itemgetter("question"),
        "language": itemgetter("language"),
    }
    | prompt
    | model
    | StrOutputParser()
)

chain.invoke({"question": "where did harrison work", "language": "italian"})

'Harrison ha lavorato a Kensho.'

并行化步骤

RunnableParallels 可轻松实现多个 Runnable 的并行执行，并将这些 Runnable 的输出以映射（map）形式返回。

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

model = ChatOpenAI()
joke_chain = ChatPromptTemplate.from_template("tell me a joke about {topic}") | model
poem_chain = (
    ChatPromptTemplate.from_template("write a 2-line poem about {topic}") | model
)

map_chain = RunnableParallel(joke=joke_chain, poem=poem_chain)

map_chain.invoke({"topic": "bear"})

API 参考：ChatPromptTemplate | RunnableParallel | ChatOpenAI

{'joke': AIMessage(content="Why don't bears like fast food? Because they can't catch it!", response_metadata={'token_usage': {'completion_tokens': 15, 'prompt_tokens': 13, 'total_tokens': 28}, 'model_name': 'gpt-3.5-turbo', 'system_fingerprint': 'fp_d9767fc5b9', 'finish_reason': 'stop', 'logprobs': None}, id='run-fe024170-c251-4b7a-bfd4-64a3737c67f2-0'),
 'poem': AIMessage(content='In the quiet of the forest, the bear roams free\nMajestic and wild, a sight to see.', response_metadata={'token_usage': {'completion_tokens': 24, 'prompt_tokens': 15, 'total_tokens': 39}, 'model_name': 'gpt-3.5-turbo', 'system_fingerprint': 'fp_c2295e73ad', 'finish_reason': 'stop', 'logprobs': None}, id='run-2707913e-a743-4101-b6ec-840df4568a76-0')}

并行性

RunnableParallel 还可用于并行运行独立的进程，因为映射中的每个 Runnable 都会并行执行。例如，我们可以看到之前的 joke_chain、poem_chain 和 map_chain 的运行时间大致相同，尽管 map_chain 同时执行了另外两个。

%%timeit

joke_chain.invoke({"topic": "bear"})

610 ms ± 64 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit

poem_chain.invoke({"topic": "bear"})

599 ms ± 73.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit

map_chain.invoke({"topic": "bear"})

643 ms ± 77.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

下一步

现在您已经了解了一些使用 RunnableParallel 格式化和并行化链步骤的方法。

要了解更多信息，请参阅本节中关于可运行对象的其他操操作指南。

使用 RunnableParallels 格式化​

使用 itemgetter 作为简写​

并行化步骤​

并行性​

下一步​

使用 `RunnableParallels` 格式化

使用 itemgetter 作为简写

并行化步骤

并行性

下一步