轻松掌握：如何为Runnable附加回调_runnable 中使用回调-优快云博客

本文链接：https://blog.youkuaiyun.com/tt_jishu/article/details/143224442

## 引言

在现代编程中，回调是实现异步操作的一种重要机制。通过回调，我们可以在一个操作完成后立即执行特定的函数。在这篇文章中，我们将深入探讨如何为一个Runnable附加回调，以便在运行链中复用这些回调。

## 主要内容

### 回调的基本概念

回调是一种传递给其他代码片段的函数，这个函数将在特定事件完成时被执行。在Python中，回调常用于异步编程和事件驱动的架构。

### 自定义回调处理器

定义自定义回调处理器可以帮助我们在特定事件发生时执行自定义逻辑。下面是一个简单的示例：

```python
from typing import Any, Dict, List
from langchain_core.callbacks import BaseCallbackHandler
from langchain_core.messages import BaseMessage
from langchain_core.outputs import LLMResult

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`with_config()`方法链运行多个Runnable

with_config()方法可以用来为一个链附加配置，包括回调，这样可以在每次调用链时避免重复传入回调。

代码示例

下面是如何使用with_config()方法附加回调的完整示例：

from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate

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"})