LangChain 26: 回调函数callbacks打印prompt verbose调用

最新推荐文章于 2025-03-26 22:34:39 发布

AI架构师易筋

最新推荐文章于 2025-03-26 22:34:39 发布

阅读量3.4k

点赞数 77

分类专栏： LLM-Large Language Models 文章标签： langchain prompt chatgpt LLM 语言模型

本文链接：https://blog.csdn.net/zgpeace/article/details/134918641

版权

LLM-Large Language Models 专栏收录该内容

190 篇文章

订阅专栏

本文介绍了LangChain库中的回调系统，包括CallbackHandlers接口、构造函数回调和请求回调的使用场景，以及如何通过回调进行日志记录、监控和流式传输等操作的实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

LangChain系列文章

1. 回调Callbacks

LangChain提供了一个回调系统，允许您钩入LLM应用程序的各个阶段。这对于记录、监控、流式传输和其他任务非常有用。

您可以通过使用API中的callbacks参数订阅这些事件。这个参数是处理程序对象的列表，这些对象预期实现下面更详细描述的一个或多个方法。

2. Callback handlers 回调处理程序

CallbackHandlers是实现CallbackHandler接口的对象，该接口针对可以订阅的每个事件都有一个方法。当事件触发时，CallbackManager将在每个处理程序上调用适当的方法。

class BaseCallbackHandler:
    """Base callback handler that can be used to handle callbacks from langchain."""

    def on_llm_start(
        self, serialized: Dict[str, Any], prompts: List[str], **kwargs: Any
    ) -> Any:
        """Run when LLM starts running."""

    def on_chat_model_start(
        self, serialized: Dict[str, Any], messages: List[List[BaseMessage]], **kwargs: Any
    ) -> Any:
        """Run when Chat Model starts running."""

    def on_llm_new_token(self, token: str, **kwargs: Any) -> Any:
        """Run on new LLM token. Only available when streaming is enabled."""

    def on_llm_end(self, response: LLMResult, **kwargs: Any) -> Any:
        """Run when LLM ends running."""

    def on_llm_error(
        self, error: Union[Exception, KeyboardInterrupt], **kwargs: Any
    ) -> Any:
        """Run when LLM errors."""

    def on_chain_start(
        self, serialized: Dict[str, Any], inputs: Dict[str, Any], **kwargs: Any
    ) -> Any:
        """Run when chain starts running."""

    def on_chain_end(self, outputs: Dict[str, Any], **kwargs: Any) -> Any:
        """Run when chain ends running."""

    def on_chain_error(
        self, error: Union[Exception, KeyboardInterrupt], **kwargs: Any
    ) -> Any:
        """Run when chain errors."""

    def on_tool_start(
        self, serialized: Dict[str, Any], input_str: str, **kwargs: Any
    ) -> Any:
        """Run when tool starts running."""

    def on_tool_end(self, output: str, **kwargs: Any) -> Any:
        """Run when tool ends running."""

    def on_tool_error(
        self, error: Union[Exception, KeyboardInterrupt], **kwargs: Any
    ) -> Any:
        """Run when tool errors."""

    def on_text(self, text: str, **kwargs: Any) -> Any:
        """Run on arbitrary text."""

    def on_agent_action(self, action: AgentAction, **kwargs: Any) -> Any:
        """Run on agent action."""

    def on_agent_finish(self, finish: AgentFinish, **kwargs: Any) -> Any:
        """Run on agent end."""

3. 回调函数的使用场景

回调函数参数可用于 API 中的大多数对象（链、模型、工具、代理等），分别有两个不同的使用场景：

构造函数回调函数：在构造函数中定义，例如 LLMChain(callbacks=[handler], tags=['a-tag'])，将用于该对象上的所有调用，并且仅限于该对象，例如如果您将处理程序传递给 LLMChain 构造函数，则不会被附加到该链上的模型使用。
请求回调函数：在 run()/apply() 方法中定义，用于发出请求，例如 chain.run(input, callbacks=[handler])，将仅用于该特定请求以及其中包含的所有子请求（例如对LLMChain的调用触发对模型的调用，该模型使用在 call() 方法中传递的相同处理程序）。

verbose 参数可用于 API 中的大多数对象（链、模型、工具、代理等）作为构造函数参数，例如 LLMChain(verbose=True)，相当于将 ConsoleCallbackHandler 传递给该对象和所有子对象的回调参数。这对于调试非常有用，因为它将所有事件记录到控制台。

4. 你想要在什么时候使用这些回调函数呢？

构造函数回调最适用于诸如日志记录、监控等用例，这些用例并不特定于单个请求，而是整个链条。例如，如果你想要记录发送到LLMChain的所有请求，你可以将一个处理程序传递给构造函数。
请求回调最适用于诸如流式传输等用例，其中你想要将单个请求的输出流传输到特定的websocket连接，或者其他类似的用例。例如，如果你想要将单个请求的输出流传输到websocket，你可以将一个处理程序传递给call()方法。

5. 代码实现

LangChain提供了一些内置处理程序，您可以使用它们来开始。这些都可以在langchain/callbacks模块中找到。最基本的处理程序是StdOutCallbackHandler，它只是将所有事件记录到标准输出。

注意：当对象上的verbose标志设置为true时，即使没有显式传递，StdOutCallbackHandler也会被调用。

from langchain.callbacks import StdOutCallbackHandler
from langchain.chains import LLMChain
from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate

handler = StdOutCallbackHandler()
llm = OpenAI()
prompt = PromptTemplate.from_template("1 + {number} = ")

# Constructor callback: First, let's explicitly set the StdOutCallbackHandler when initializing our chain
chain = LLMChain(llm=llm, prompt=prompt, callbacks=[handler])
chain.run(number=2)

# Use verbose flag: Then, let's use the `verbose` flag to achieve the same result
chain = LLMChain(llm=llm, prompt=prompt, verbose=True)
chain.run(number=2)

# Request callbacks: Finally, let's use the request `callbacks` to achieve the same result
chain = LLMChain(llm=llm, prompt=prompt)
chain.run(number=2, callbacks=[handler])

运行结果

langchain-llm-app (develop*) » python Callbacks/llm_callbacks.py         ~/Workspace/LLM/langchain-llm-app 1 ↵ 


> Entering new LLMChain chain...
Prompt after formatting:
1 + 2 = 

> Finished chain.


> Entering new LLMChain chain...
Prompt after formatting:
1 + 2 = 

> Finished chain.


> Entering new LLMChain chain...
Prompt after formatting:
1 + 2 = 

> Finished chain.