动态传递回调：如何在运行时实现更高效的回调处理

最新推荐文章于 2025-05-01 23:36:42 发布

bhawfgrcbtwny

最新推荐文章于 2025-05-01 23:36:42 发布

阅读量254

点赞数 3

文章标签： python 开发语言

本文链接：https://blog.csdn.net/bhawfgrcbtwny/article/details/143224482

版权

# 动态传递回调：如何在运行时实现更高效的回调处理

## 引言

在现代编程中，回调函数是实现异步行为和事件驱动编程的重要组成部分。然而，有时在运行时传递回调函数比静态地附加到对象更为有效。本文将指导你如何在运行时传递回调函数，提高代码的灵活性和可维护性。

## 主要内容

### 什么是回调函数？

回调函数是由程序传递给其他代码进行调用的函数。它们经常用于事件驱动编程，以响应某些事件的发生。

### 自定义回调处理程序

在复杂的系统中，自定义回调处理程序可以使代码更具可读性，并减少重复代码。以下是如何实现的基本步骤：

- 定义一个继承自`BaseCallbackHandler`的自定义类。
- 重写事件处理方法来响应特定的系统事件，如模型启动、结束等。

### 运行时传递回调的优势

当我们通过`callbacks`关键字参数在运行时传递回调时，这些回调将应用于执行中涉及的所有嵌套对象。这减少了手动为每个对象附加回调的需求。

## 代码示例

以下示例展示如何在LangChain框架中实现和使用自定义回调处理程序：

```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}")

# 使用API代理服务提高访问稳定性
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})