Runnable 才是 LangChain 真正的骨架：一次读懂 Invoke、Batch、Stream

读完这篇,你应该会把LangChain 的理解顺序彻底倒过来,不是先有 Chain、再有Agent、最后才碰Runnable。而是恰恰相反。LangChain 先把几乎所有能力都压成Runnable，再在它上面长出 LCEL、RAG、Chain、Agent 和一整套运行时能力。

---

你会在这篇文章里得到什么

• 一张看清Runnable在 LangChain 里的总骨架图
• 一套读懂 invoke、batch、stream的统一协议心智模型
• 一个判断“为什么 stream 没有流起来”的源码级排障框架

适合谁

• 工程实践者、框架阅读者、需要讲清 LangChain 内核的人。
• 如果你已经会写 prompt | model | parser，但还是觉得 LangChain 的概念太散，这篇会很有用。

---

01

—

背景：为什么我说骨架不是 Chain，而是 Runnable

很多人第一次学 LangChain，是从LLMChain、RetrievalQA、AgentExecutor 这种“现成对象”入手的。但沿着源码往下走，你会发现这些名字更像“产品层包装”，真正稳定的执行面其实是 Runnable。一个非常强的信号是：在源码 langchain/langchain_classic/chains/llm.py 里，LLMChain已经被标记为 deprecated，替代方案直接写成 RunnableSequence, e.g: prompt | llm。

这不是小改名。这意味着官方自己的抽象重心，已经从“预制 Chain 类”转向“可组合的统一执行协议”。

一句话结论，Runnable统一了三件事：

1. 统一能力对象：Prompt、Model、Retriever、Tool、Parser、History 都能落到同一执行面
2. 统一组合方式：串联是RunnableSequence，并联是 RunnableParallel
3. 统一运行时能力：config、tracing、retry、fallback、history、dynamic config 都跟着协议走

---

02

—

总骨架：LangChain 先把一切压成 Runnable

如果只看`libs/core/langchain\_core/runnables/\_\_init\_\_.py`和 `base.py`(langchain源码)  的导出面，你会发现一个非常清晰的世界：

• 核心抽象是 Runnable
• 组合原语是 RunnableSequence 和 RunnableParallel
• 包装器生态包括 RunnableBinding、RunnableWithFallbacks、RunnableWithMessageHistory
• 结构改写工具包括 RunnableAssign、RunnablePick、RunnablePassthrough
• 控制流扩展包括 RunnableBranch、RouterRunnable

也就是说，LangChain 并不是让每个高层对象都自带一套独立调用协议。它做的事更像是：先把异构对象都压扁成 Runnable，再让它们用同一种方式被调用、被组合、被追踪。这就是“骨架”的定义。

---

03

—

三个名字，其实是一套协议：invoke、batch、stream

源码里最值得反复看的，其实不是某个具体子类，而是 libs/core/langchain\_core/runnables/base.py 这一层的默认实现关系。

invoke是单输入、单输出。

batch默认不是“模型厂商的原生批量接口”，而是“并发地调用很多次 invoke”。同步版本默认走线程池，异步版本默认走 gather_with_concurrency。

stream 默认也不是天然 token streaming。对于基类来说，它只是把 invoke 的最终结果 yield 出去。

最容易被忽略的一层其实是 transform：

• stream 面向“单个输入，输出一个迭代器”
• transform 面向“输入本身就是 chunk 流，输出也是 chunk 流”

而基类默认的 transform 会先把输入 chunk 缓冲起来，再去调 stream。

所以从源码角度讲，真正决定“是不是边算边出”的，不是接口名里有没有 stream，而是中间节点有没有认真实现 transform。

最小伪代码其实只有这一段：

chain = prompt | model | parser
chain.invoke(x)          # 单次执行
chain.batch([x1, x2])    # 并发批量
for chunk in chain.stream(x):
...

对调用者来说，链没变。变的只是“消费方式”。这正是统一协议的价值。

---

04

—

真正的组合原语只有两个：串联和并联

RunnableSequence 是 LangChain 里最重要的组合器，这句话甚至直接写在 base.py 的 docstring 里。

它的本质非常直接：上一个 step 的输出，就是下一个 step 的输入。

但源码里有两个细节非常关键：

1. batch 不是把整条链一起批量化，而是“一层一层向前推进”，每个 step 都调用自己的 step.batch()

2. tracing 不是糊成一团的，子运行会被打上 seq:step:n 这样的child callback

标记RunnableParallel 则是另一种完全不同的语义：

• 同一个输入，被扇出给多个子 Runnable
• invoke 时并发执行
• stream 时交错吐出 keyed chunks，最后再合成字典

这也是为什么在 LCEL 里，一个普通的 Python dict 能直接成为并联节点。

因为 coerce\_to\_runnable() 会把它自动提升为 RunnableParallel。

所以从读源码的角度，LCEL 其实不是“新语言”。

它只是把两种最核心的图结构写得更顺手了：

• | = 串联
• {...} = 扇出并联

---

05

—

为什么很多 stream 看起来不流？答案在 transform 边界

这是 Runnable 体系里最容易讲错的一点。很多人会下意识地认为：只要我调用了 stream()，系统就应该一边生成一边往下游传。源码告诉你，不一定。

在 RunnableSequence 的实现里，整条链能不能真正连续 streaming，取决于每一个组件是否都实现了 transform。只要中间有一步是阻塞型的，后面的流就会被截断。

最典型的就是 RunnableLambda。它非常好用，但 base.py 的说明写得也很直白：它默认并不擅长 streaming；如果你要做“边接收上游 chunk，边吐下游 chunk”的逻辑，更合适的是 RunnableGenerator 或者你自己实现 transform。

所以一个特别实用的排障句式是：

不是“为什么 stream() 失效了？”而是“这条链中间哪个节点没有实现 transform，导致出现了 stream boundary？”这个判断一旦建立起来，你看 LangChain 的 streaming 问题会快很多。

---

06

—

Runnable 的外骨骼：为什么 retry、fallback、history 都能无缝粘上来

如果说 Sequence 和 Parallel 负责的是“结构”，那 Binding 和各种 wrapper 负责的就是“运行时外骨骼”。源码里这一层也非常漂亮。

你会看到很多能力都不是重写一套新协议，而是在保留 invoke / batch / stream 的前提下，包一层：

• bind() 负责绑定额外 kwargs
• with\_config() 负责绑定运行配置
• with\_retry() 负责失败重试
• with\_fallbacks() 负责降级切换
• RunnableWithMessageHistory 负责会话历史
• DynamicRunnable 负责运行时可配置替换

这件事的威力在于：你不用为了 tracing 造一套新对象，也不用为了 fallback 再改一套链路。因为大家都认同同一个协议面，所以能力可以横向叠加。再往下一层看 libs/core/langchain\_core/runnables/config.py，你会发现 RunnableConfig 也不是“可选参数包”这么简单。

它真正承担的是协议传播：

• tags
• metadata
• callbacks
• max\_concurrency
• recursion\_limit
• configurable

ensure\_config() 负责兜底和继承，patch\_config() 负责给 child run 打补丁，ContextThreadPoolExecutor 负责把上下文拷进并发线程里。

这就是为什么 Runnable 不只是“能跑”。它还负责把运行时语义完整地带着一起跑。

---

07

—

读完源码后，我会这样定义 Runnable

如果让我用一句更工程化的话来下定义：

Runnable 是 LangChain 的统一执行协议。它把“单次执行、批量执行、流式执行、异步执行、结构组合、配置传播、Tracing、Fallback、History”全部压到了同一个抽象层上。所以我们平时看到的 Prompt、Model、Parser、Retriever、Tool、Agent，看起来像不同东西。但进入运行时之后，它们尽量都变成一类东西。这才是骨架。不是因为它名字底层，而是因为它承担了整个系统最稳定的“连接规则”。

三个最值得记住的坑:

1. 不要把 batch() 直接理解成“底层厂商真的提供了批量 API”。在 Runnable 基类里，它的默认含义更接近“并发地跑很多次 invoke()”。
2. 不要把 stream() 直接理解成“天然逐 token 透传”。如果中间节点没有实现 transform，你拿到的可能只是“最终结果的迭代器包装”。
3. 不要把 retry、fallback、history、config 当成和主链并列的另一套系统。它们在源码里更像协议包装器，核心价值是“附着在同一执行面上”。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】