探索LangChain中的RunnableLambdas：如何高效运行自定义函数

cgsayuclv

于 2024-10-03 17:44:07 发布

阅读量206

点赞数 2

文章标签： langchain python

本文链接：https://blog.csdn.net/cgsayuclv/article/details/142694041

版权

# 探索LangChain中的RunnableLambdas：如何高效运行自定义函数

## 引言

在构建复杂的AI应用程序时，您可能需要自定义功能来处理独特的需求。在LangChain中，您可以通过创建RunnableLambdas来实现这一点。本指南将帮助您理解如何使用RunnableLambdas，以及如何处理自定义逻辑。此外，我们还将探讨如何将这些函数整合到链式结构中。

## 主要内容

### 创建可运行对象

#### 使用RunnableLambda构造函数

通过显式使用`RunnableLambda`构造函数，您可以将自定义函数包装为可运行对象。这对于格式化或实现其他LangChain组件未提供的功能非常有用。

```python
from langchain_core.runnables import RunnableLambda

def length_function(text):
    return len(text)

wrapped_function = RunnableLambda(length_function)

使用@chain装饰器

您还可以通过在自定义函数上添加@chain装饰器，将任意函数转换为可运行对象。

from langchain_core.runnables import chain

@chain
def custom_chain(text):
    # 自定义链式逻辑
    return text.upper()

自动类型转换

在链式结构中，您可以利用自动类型转换，无需显式包装为RunnableLambda。

prompt = ChatPromptTemplate.from_template("tell me a story about {topic}")
model = ChatOpenAI()

chain_with_coerced_function = prompt | model | (lambda x: x.content[:5])

运行元数据的使用

自定义函数可以选择接受RunnableConfig参数，用于传递回调、标签等信息。

from langchain_core.runnables import RunnableConfig

def parse_or_fix(text: str, config: RunnableConfig):
    # 处理逻辑...
    return "fixed_text"

流式处理支持

当需要支持流式处理时，您可以使用生成器函数。通过返回生成器，您可以逐块处理输入和输出。

def split_into_list(input: Iterator[str]) -> Iterator[List[str]]:
    # 生成器逻辑...
    yield [buffer.strip()]

代码示例

以下是一个完整的代码示例，展示如何使用RunnableLambda和流式处理功能：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnableLambda
from langchain_openai import ChatOpenAI

def length_function(text):
    return len(text)

model = ChatOpenAI()
prompt = ChatPromptTemplate.from_template("tell me a story about {topic}")

chain = prompt | model | RunnableLambda(length_function)  # 使用API代理服务提高访问稳定性
output = chain.invoke({"topic": "bears"})
print(output)