在 LangChain 中，RunnableMap和 RunnableParallel都是用来处理多个并行任务的工具，但它们在用途、设计目的和使用方式上有显著的区别。

为了帮你清晰理解它们的差异，我们从以下几个方面进行对比：

---

一、基本概念

名称	类型	用途简述
​RunnableMap​	​映射类（Mapping）​​	用于对输入数据的每个键值对，分别运行不同的 Runnable，即对输入中的每个字段调用不同的链或工具，返回一个映射（dict）结果。
​RunnableParallel​	​并行执行类​	用于同时运行多个 Runnable（或链）​，这些 Runnable 通常共享同一个输入，目的是并行调用多个工具/链并合并结果。

🧠 简单记忆：

• ​RunnableMap​：对输入中的每个字段，用不同的逻辑/链去处理​ → 映射不同处理逻辑到不同字段。

• ​RunnableParallel​：将多个链/工具并行执行，通常这些链都使用相同的输入，然后合并它们的输出。

---

二、类来源（LangChain 版本相关）

• 这两个类通常来自：

  from langchain_core.runnables import RunnableMap, RunnableParallel

  在较新的 LangChain 版本中（尤其是基于 langchain-core的版本），它们是核心组件。

⚠️ 注意：在非常旧的 LangChain 版本中，可能没有直接暴露这两个名字，或者它们可能以不同方式实现（比如通过 dict输入或自定义组合）。

---

三、RunnableMap 详解

✅ 用途：

• 你对输入数据中的每个字段（key）想要应用不同的 Runnable（或函数/链）​。

• 相当于对输入字典的每个 key-value，使用不同的处理逻辑，最终返回一个新的字典，其中每个 key 对应处理后的结果。

🧩 工作方式：

• 接收一个 ​Dict[str, Runnable]​，即：每个 key 对应一个 Runnable。

• 输入也是一个字典，RunnableMap 会将输入中的每个字段交给对应的 Runnable 处理。

• 输出也是一个字典，结构与输入类似，但 value 是经过各个 Runnable 处理后的结果。

📌 示例：

from langchain_core.runnables import RunnableMap
from langchain_core.messages import HumanMessage
from langchain_community.llms import ChatOpenAI  # 或其他 LLM

# 假设有两个简单的处理逻辑（可以是 RunnableLambda 或 LLM Chain）
def process_name(data):
    return f"Processed Name: {data['name'].upper()}"

def process_age(data):
    return f"Processed Age: {int(data['age']) + 1}"

# 构造 RunnableMap
runnable_map = RunnableMap({
    "processed_name": lambda x: process_name(x),  # 或者直接用 RunnableLambda
    "processed_age": lambda x: process_age(x),
})

# 输入
input_data = {"name": "alice", "age": "30"}

# 调用
output = runnable_map.invoke(input_data)

print(output)
# 输出类似：
# {
#   'processed_name': 'Processed Name: ALICE',
#   'processed_age': 'Processed Age: 31'
# }

🎯 重点：​每个字段（name, age）由不同的函数/逻辑处理，但输入是同一个字典，你可以根据字段名选择处理哪个字段。​​

你也可以使用 RunnableLambda或实际的 Chain 对象作为值。

---

四、RunnableParallel 详解

✅ 用途：

• 你希望同时运行多个 Runnable（或工具/链）​，这些 Runnable ​都接收相同的输入，并且你想要并行地调用它们，然后合并它们的输出结果。

• 类似于并发调用多个 API / 工具 / 模块，然后汇总结果。

🧩 工作方式：

• 接收一个 ​Dict[str, Runnable]​，每个 key 是输出结果中的字段名，value 是对应的 Runnable。

• ​所有 Runnable 都接收相同的输入，然后并行执行​（在支持异步/并发的环境下）。

• 返回一个合并的字典，key 是你在 RunnableParallel 中定义的字段名，value 是对应 Runnable 的输出。

📌 示例：

from langchain_core.runnables import RunnableParallel
from langchain_core.messages import HumanMessage
from langchain_community.llms import ChatOpenAI  # 或其他 LLM

# 假设我们有两个独立的 Chain 或工具（这里用 Lambda 模拟）
chain_a = RunnableLambda(lambda x: f"A处理结果: {x['query']} - A")
chain_b = RunnableLambda(lambda x: f"B处理结果: {x['query']} - B")

# 构建 RunnableParallel
parallel = RunnableParallel({
    "result_a": chain_a,
    "result_b": chain_b,
})

# 输入
input_data = {"query": "今天天气怎么样？"}

# 调用
output = parallel.invoke(input_data)

print(output)
# 输出类似：
# {
#   'result_a': 'A处理结果: 今天天气怎么样？ - A',
#   'result_b': 'B处理结果: 今天天气怎么样？ - B'
# }

🎯 重点：​多个链/工具都用同一个输入（比如用户的 query），并行执行，返回各自的结果，并合并为一个大的字典。​​

---

五、RunnableMap vs RunnableParallel 对比表

特性	​RunnableMap​	​RunnableParallel​
​目的​	对输入中的每个字段使用不同的处理逻辑​	​并行运行多个 Runnable，通常共享同一个输入
​输入​	一个字典，通常包含多个字段	一个字典（通常是统一的输入，如 user query）
​Runnable 分配方式​	每个字段（key）对应一个 Runnable，处理该字段	每个 key 是输出字段名，value 是一个 Runnable，都用相同输入
​输出​	一个字典，key 与输入字段对应，value 是处理结果	一个字典，key 是你定义的（如 result_a），value 是对应 Runnable 的输出
​典型使用场景​	输入数据有多个部分，需要对每部分做不同处理	同时调用多个工具/模型/链，比如同时查知识库 + 调用 LLM + 搜索
​是否并行执行​	不一定（取决于具体实现，通常是顺序）	通常是设计为可以并行（尤其在异步环境下）
​类比​	类似于对字典的每个字段 apply 不同函数	类似于并发调用多个服务，合并结果

---

六、什么时候用哪一个？

场景	推荐使用
我有一个输入字典，里面的每个字段（如 name, age, location）需要用不同的逻辑处理，比如对 name 做大写，对 age 做 +1	✅ ​RunnableMap​
我有一个输入（如用户的问题），希望同时做多件事情​：比如同时调用一个搜索工具、调用一个 LLM、调用一个数据库，然后汇总所有结果	✅ ​RunnableParallel​
我想把多个独立的功能模块组合起来，并行执行，提升效率	✅ ​RunnableParallel​
我想对输入中的不同部分定制不同处理，比如对字段 A 用 Chain A，字段 B 用 Chain B	✅ ​RunnableMap​

---

七、高级用法：组合使用

在实际的复杂工作流中，你可能会 ​同时使用 RunnableParallel 和 RunnableMap，比如：

• 先用 RunnableParallel同时调用多个工具获取信息，

• 然后用 RunnableMap对返回的多个结果做进一步处理。

或者：

• 用 RunnableMap对输入的不同字段预处理，

• 再用 RunnableParallel并发调用多个下游任务。

---

八、总结一句话

Runnable	一句话解释
​RunnableMap​	​对输入字典的每个字段，使用不同的处理逻辑，返回处理后的字段映射。适合字段级定制处理。
​RunnableParallel​	​将多个 Runnable 并行运行，通常使用相同的输入，返回合并的多个结果。适合多任务并发执行。

---

九、附加提示

• 在 ​LangChain Graph（如 Agent 图、Workflow）​​ 中，这两个工具也经常被用来构建节点之间的逻辑流。

• 如果你使用的是 ​LangChain v0.1.x 或更早，可能没有直接的 RunnableMap或 RunnableParallel，而是通过字典 + 自定义组合实现类似功能。

• 在 ​LangChain 0.2.x 及之后（基于 langchain-core）​，这两个是官方推荐的标准组件，功能清晰、组合灵活。

---

🔗 ​

---