Die Logik von Chains anpassen
Entdecken Sie, wie Sie eigene Chains erstellen und Ihre eigenen Python-Funktionen und Ihre Logik in LangChain-Workflows integrieren.
Die Logik von Chains anpassen ist eine kostenlose AI Agents with LangChain & Autonomous Workflows-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents with LangChain & Autonomous Workflows-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents with LangChain & Autonomous Workflows-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Beyond Standard Chains
In previous lessons, you learned how to create sequential chains to perform multi-step operations. These chains are powerful for connecting standard LangChain components like prompts and LLMs.
But what if you need to do something unique? What if you need to process data in a specific way before it reaches your LLM, or format its output afterward?
When to Add Custom Steps
Standard chains are great, but they can't handle every scenario. Custom logic allows you to:
- Pre-process inputs: Clean, validate, or transform user input before sending it to a prompt or LLM.
- Post-process outputs: Parse, filter, or reformat LLM responses for display or further use.
- Integrate external logic: Call your own Python functions, external APIs, or apply conditional routing.
- Handle complex data transformations: Convert data types, merge information, or apply business rules.
Introducing RunnableLambda
LangChain's RunnableLambda is your key to integrating custom Python functions into chains. It wraps any Python callable (like a function or a lambda expression) and makes it behave like a LangChain Runnable component.
This means you can seamlessly insert your own Python logic anywhere in a chain, just like you would an LLM or a prompt template!
Your First Custom Function
Let's start with a simple custom function that adds an exclamation mark to a string. We'll wrap it with RunnableLambda to make it part of a chain.
Try running this basic example:
from langchain_core.runnables import RunnableLambda
def add_exclamation(text: str) -> str:
return text + "!"
if __name__ == "__main__":
# Wrap your function to make it a Runnable
custom_step = RunnableLambda(add_exclamation)
# Invoke it like any other Runnable
result = custom_step.invoke("Hello CoddyKit")
print(result)Chaining Custom Logic
The real power comes when you combine RunnableLambda with other LangChain components. You can place your custom logic at the beginning, middle, or end of a chain.
For example, you might have a custom function that prepares the input for a prompt, or one that processes the output from an LLM.
Custom Pre-processing Chain
Here's an example where a custom step pre-processes the input by converting it to uppercase before it's passed to a PromptTemplate and then to a simulated LLM.
Notice how the `uppercase_input` function expects a dictionary, mirroring how chain inputs often work.
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnableLambda
from langchain_community.llms import FakeListLLM
def uppercase_input(data: dict) -> dict:
# Ensure 'text' key exists and convert its value to uppercase
return {"text": data.get("text", "").upper()}
if __name__ == "__main__":
# A simulated LLM for demonstration
llm = FakeListLLM(responses=["I received your uppercase text!"])
# Define a simple prompt template
prompt = PromptTemplate.from_template(
"You mentioned: {text}. What do you think?"
)
# Create the custom pre-processing step
pre_process_step = RunnableLambda(uppercase_input)
# Build the chain: custom_step -> prompt -> llm
custom_chain = pre_process_step | prompt | llm
# Invoke the chain with lowercase input
input_data = {"text": "hello world"}
response = custom_chain.invoke(input_data)
print(response)Custom Post-processing Logic
Just as you can pre-process inputs, you can also post-process the outputs from an LLM. This is useful for:
- Extracting specific information from a longer response.
- Formatting the output for display in a UI.
- Converting the output to a different data structure (e.g., JSON).
- Adding a custom header or footer to the LLM's message.
Example: Custom Output Formatting
Let's create a custom function that takes the raw LLM response and wraps it with a friendly message. This makes the output more user-friendly.
Run this example to see the LLM's response being transformed:
from langchain_core.runnables import RunnableLambda
from langchain_community.llms import FakeListLLM
def format_llm_output(llm_response: str) -> str:
# Add a custom prefix and suffix to the LLM's message
return f"🤖 AI says: '{llm_response.strip()}' - Over and out!"
if __name__ == "__main__":
# A simulated LLM for demonstration
llm = FakeListLLM(responses=["The weather is sunny today."])
# Create the custom post-processing step
post_process_step = RunnableLambda(format_llm_output)
# Build the chain: llm -> custom_step
custom_chain = llm | post_process_step
# Invoke the chain (input doesn't affect FakeListLLM's response here)
response = custom_chain.invoke("What's the weather like?")
print(response)Adding Conditional Logic
RunnableLambda isn't just for simple transformations. You can embed complex Python logic, including conditionals, loops, and even calls to other services, directly into your chain.
For instance, you could have a custom step that checks if an input meets certain criteria and, if not, redirects the flow or returns a default message, creating dynamic and intelligent workflows.
Quick Check: Custom Chain Steps
Which of the following are good use cases for integrating custom Python logic (e.g., using RunnableLambda) into a LangChain workflow?
Recap & Next Steps
You've learned how to inject your own Python functions and logic into LangChain workflows using RunnableLambda. This powerful feature allows you to:
- Perform custom pre-processing on inputs.
- Apply custom post-processing to LLM outputs.
- Integrate complex or conditional logic within your chains.
By mastering custom chain logic, you gain immense flexibility to tailor LangChain to your exact needs, building truly unique and intelligent applications. Next, explore how to use pre-built toolkits to add even more capabilities to your agents!
Häufig gestellte Fragen
Ist die Lektion „Die Logik von Chains anpassen“ kostenlos?
Ja — der vollständige Text von „Die Logik von Chains anpassen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents with LangChain & Autonomous Workflows-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents with LangChain & Autonomous Workflows-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Die Logik von Chains anpassen“?
Entdecken Sie, wie Sie eigene Chains erstellen und Ihre eigenen Python-Funktionen und Ihre Logik in LangChain-Workflows integrieren. Du übst AI Agents with LangChain & Autonomous Workflows mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Agents with LangChain & Autonomous Workflows zu starten?
Keine Vorkenntnisse erforderlich. AI Agents with LangChain & Autonomous Workflows auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Die Logik von Chains anpassen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Agents with LangChain & Autonomous Workflows-Lektion Code schreiben und ausführen?
Ja. Jede AI Agents with LangChain & Autonomous Workflows-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Einführung in LangChain Chains
- Sequenzielle und einfache Chains
- Die Logik von Chains anpassen
- Routing und bedingte Chains