# 让你的代码更灵活：在运行时传递回调函数
在现代软件开发中，灵活性和可扩展性是至关重要的特点。回调函数（Callback）是实现这两个特性的强大工具。在本文中，我将带你了解如何在运行时传递回调函数，以简化代码管理和提高执行效率。
## 引言
回调函数是一种函数，它作为参数传递给另一个函数，并在特定事件或条件下被调用。在许多情况下，能够在运行时传递回调函数，而不是在代码编写时硬编码，可以显著减少代码的复杂性。本文将为你介绍如何在运行时传递回调函数，并提供一个实现该功能的实例。
## 主要内容
### 1. 理解回调函数
回调函数可以让代码在特定的事件发生时自动执行预先定义的操作，而不需要显式调用它。例如，在异步编程中，回调函数常用于处理异步操作的结果。
### 2. 自定义回调处理器
在一些复杂的系统中，比如涉及多个子模块的场景，可以通过自定义回调处理器，在运行时动态传入回调函数，从而避免在每个子模块中手动设置回调。
### 3. 在运行时传递回调
假设我们有一个代理需要处理多个子模块（如Agent、Tools和LLM），我们可以在运行时将回调传递给代理，这样所有相关的子模块都会使用该回调。
## 代码示例
以下是一个使用`langchain`库的示例，展示了如何在运行时传递回调函数：
```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.invoke({"number": "2"}, config={"callbacks": callbacks}) # 使用API代理服务提高访问稳定性
常见问题和解决方案
- 无法正确触发回调：检查回调函数是否正确定义，并且在运行时传递的参数是否正确。
- 性能问题：大量或复杂的回调函数可能导致性能下降，可以考虑简化回调函数或使用异步调用。
- 网络限制：使用API时可能会受到地区网络限制的问题，考虑使用API代理服务以提高访问稳定性。
总结和进一步学习资源
在运行时传递回调函数可以显著提升代码的灵活性和可维护性。了解更多回调函数的使用方法和设计模式，可以进一步提升你的开发技能。这些实践在异步编程、事件驱动编程和大型系统的模块化设计中尤为重要。
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---
