如何为Runnable附加回调：提升代码可重用性的绝佳技巧

本文链接：https://blog.youkuaiyun.com/ahrghweaHT/article/details/144382011

引言

在现代编程中，特别是在处理复杂的异步操作时，回调函数是一个强大的工具。它们不仅帮助我们管理流程，还可以用于调试和记录操作。但如何有效地将回调附加至Runnable上，并在多个执行过程中重用它们呢？这篇文章将带你深入探讨这个话题，并通过实用的代码示例让你快速上手。

主要内容

什么是回调？

在进行异步编程时，回调是一种常用的模式。它是一种在操作完成后执行的函数，可以帮助我们处理结果或进行后续操作。

自定义回调处理器

自定义回调处理器允许我们在异步操作的不同阶段挂钩自己的逻辑。例如，我们可以在操作开始和结束时进行日志记录。

链接Runnables

在编程中，我们常常需要将多个任务链接在一起执行。这时候，合理地管理这些任务的执行顺序和结果处理就显得尤其重要。

使用`with_config()`附加回调

通过.with_config()方法，你可以将配置绑定为运行时配置，从而在多个执行过程中重用回调。这避免了每次调用链条时都需要传递回调的繁琐操作。

代码示例

以下是一个如何实现这一功能的代码示例：

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}")

callbacks = [LoggingHandler()]
llm = ChatAnthropic(model="claude-3-sonnet-20240229")
prompt = ChatPromptTemplate.from_template("What is 1 + {number}?")

chain = prompt | llm

# 使用API代理服务提高访问稳定性
chain_with_callbacks = chain.with_config(callbacks=callbacks)

chain_with_callbacks.invoke({"number": "2"})