高效并行：使用RunnableParallel提升任务执行速度

码龄2年

关注

原创最新推荐文章于 2026-07-02 11:14:50 发布 460 阅读 GEO检测

LangChain的LCEL和Runnable你搞懂了吗 LangChain的LCEL估计行业内的朋友都听过，但是LCEL里的RunnablePassthrough、RunnableParallel、RunnableBranch、RunnableLambda又是什么意思？什么场景下用？阅读详情

# 高效并行：使用RunnableParallel提升任务执行速度

## 引言

在现代编程中，提高程序执行效率至关重要。特别是在处理大量数据或复杂计算时，并行化操作可以显著提升性能。本文将介绍如何使用`RunnableParallel`在LangChain中实现任务的并行执行。

## 主要内容

### 什么是RunnableParallel？

`RunnableParallel`是一个字典，其值是可执行对象（runnables），如函数等。它能够并行运行所有值，并将总体输入传递给每个值。最终返回一个包含每个键值结果的字典。

### RunnableParallels的作用

`RunnableParallels`不仅可以并行化操作，还可以用于调整一个Runnable的输出，以匹配序列中下一个Runnable的输入格式。这有助于在链中创建分支，使多个组件能够并行处理输入，随后再合并结果。

### 使用RunnableParallel进行格式化

如下图所示，输入数据为`context`和`question`，通过并行化操作，我们可以高效地获取上下文并将用户问题传递给下一个环节：

 Input
  / \
 /   \

Branch1 Branch2
\ /
\ /
Combine


例如：

```python
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?")

代码示例

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

# 使用API代理服务提高访问稳定性
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)

response = map_chain.invoke({"topic": "bear"})
print(response)