大家好，我是小锋老师，最近更新《2027版 基于LangChain的RAG与Agent智能体      开发视频教程》专辑，感谢大家支持。

本课程主要介绍和讲解RAG，LangChain简介，接入通义千万大模型   ，Ollama简介以及安装和使用，OpenAI 库介绍和使用，以及最重要的基于LangChain实现RAG与Agent智能体开发技术。

视频教程+课件+源码打包下载 ：

链接：https://pan.baidu.com/s/1_NzaNr0Wln6kv1rdiQnUTg
提取码：0000

基于LangChain的RAG与Agent智能体开发 - RunnableLambda实现复杂多模型链路调用

前面示例都是比较简单的链路调用，但是在实际开发中，我们经常需要做复杂的多模型链路调用，也就是调用模型生成的内容之后，继续做下处理，继续调用模型。这里面涉及到格式问题了。传入下一个模型的比如字典格式。

我们可以通过RunnableLambda类来实现格式的转换。

我们来看一个示例：

from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnableLambda

# 定义一个模板，包含两个变量：product 和 price
template = "我的所在的行业是:{sector}，哪个细分领域职位最有前途，直接告诉我职位名字即可"

# 创建 PromptTemplate 对象
prompt = PromptTemplate(
    input_variables=["sector"],  # 输入变量
    template=template  # 模板
)

# 再定义一个模板，包含一个变量：name
template2 = "请用简单的话描述下:{name}这个职位。最后再回答下：{extra}"

# 创建 PromptTemplate 对象
prompt2 = PromptTemplate(
    input_variables=["name", "extra"],  # 输入变量
    template=template2  # 模板
)

model = Tongyi(model="qwen-plus")  # 创建模型

# myfunc = RunnableLambda(lambda x: {"name": x})

# 创建链式调用
chain = prompt | model | (lambda x: {"name": x, "extra": "这个职位在北京5年经验年薪平均多少万？"}) | prompt2 | model

# 调用模型
result = chain.stream(input={"sector": "IT"})
for chunk in result:
    print(chunk, end="", flush=True)

运行输出：