构建动态链：实时自构造与执行_运行时动态调整方法执行链路-优快云博客

# 构建动态链：实时自构造与执行

在现代编程中，动态链的构造和执行是一个强大的技术，可以根据输入在运行时自动生成和调整程序流程。本文将探讨如何利用LangChain构建动态链，特别是通过`RunnableLambda`返回可执行单元的特性，实现链的自构造。这个概念在需要动态路由的场景中特别有用。

## 主要内容

### 什么是动态链？

动态链是一种根据输入参数在运行时动态构建和执行的链。不同于静态链，在链构成过程中可以根据条件选择不同的路径或执行单元，提升了程序的灵活性和可扩展性。

### LangChain与RunnableLambda

LangChain是一个支持构建灵活链的框架，其中的`RunnableLambda`允许返回一个新的`Runnable`对象，这个对象会在主链中被执行。通过这种特性，我们可以构建多变的流程。

### 示例：构建动态链

以下是一个使用LangChain构建动态链的例子。我们将根据用户输入的历史记录决定是否对问题进行上下文重构。

```python
import os
from langchain_core.runnables import Runnable, RunnablePassthrough, chain
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from operator import itemgetter
from langchain_openai import ChatOpenAI

# 设置API密钥
os.environ["OPENAI_API_KEY"] = "your_api_key"  # 使用API代理服务提高访问稳定性

# 实例化LLM
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义Prompt模板
contextualize_instructions = """Convert the latest user question into a standalone question given the chat history. Don't answer the question, return the question and nothing else (no descriptive text)."""
contextualize_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", contextualize_instructions),
        ("placeholder", "{chat_history}"),
        ("human", "{question}"),
    ]
)
contextualize_question = contextualize_prompt | llm | StrOutputParser()

qa_instructions = """Answer the user question given the following context:\n\n{context}."""
qa_prompt = ChatPromptTemplate.from_messages(
    [("system", qa_instructions), ("human", "{question}")]
)

# 定义动态链
@chain
def contextualize_if_needed(input_: dict) -> Runnable:
    if input_.get("chat_history"):
        return contextualize_question
    else:
        return RunnablePassthrough() | itemgetter("question")

@chain
def fake_retriever(input_: dict) -> str:
    return "egypt's population in 2024 is about 111 million"

full_chain = (
    RunnablePassthrough.assign(question=contextualize_if_needed).assign(
        context=fake_retriever
    )
    | qa_prompt
    | llm
    | StrOutputParser()
)

# 调用链
result = full_chain.invoke(
    {
        "question": "what about egypt",
        "chat_history": [
            ("human", "what's the population of indonesia"),
            ("ai", "about 276 million"),
        ],
    }
)

print(result)