动态传递回调函数的实现指南-CSDN博客

本文链接：https://blog.csdn.net/bBADAS/article/details/146384421

在现代软件开发中，回调函数是一种非常有用的机制，可以在特定事件发生时被调用。本文将深入探讨如何在运行时动态传递回调函数，帮助开发者简化代码结构，提高代码的灵活性。

技术背景介绍

在复杂的系统中，会有多个模块或对象彼此交互。传统的做法是为每一个对象显式地绑定回调函数。这种方式虽然直观，但在嵌套对象较多时，会显得冗长且难以维护。现代的API设计倾向于通过在运行时动态传递回调函数，来自动化这些绑定。

核心原理解析

通过运行时传递回调函数，可以将处理程序传递给整个调用链。这样不论是顶层的控制对象，还是嵌套的子对象，都可以共享同一组回调逻辑，这种方法极大地简化了代码结构和维护工作。

代码实现演示

下面的示例代码展示了如何在运行时传递回调函数：

from typing import Any, Dict, List
from langchain_anthropic import ChatAnthropic  # AI对话模型接口
from langchain_core.callbacks import BaseCallbackHandler
from langchain_core.messages import BaseMessage
from langchain_core.outputs import LLMResult
from langchain_core.prompts import ChatPromptTemplate

# 定制化的日志处理器，捕获对话模型和链条的开始和结束事件
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}")

# 实例化回调处理器列表
callbacks = [LoggingHandler()]
# 配置聊天模型
llm = ChatAnthropic(model="claude-3-sonnet-20240229")
prompt = ChatPromptTemplate.from_template("What is 1 + {number}?")

# 将Prompt与LLM结合为一个执行链
chain = prompt | llm

# 运行链条并传递回调函数
chain.invoke({"number": "2"}, config={"callbacks": callbacks})