Menyesuaikan Logik Rantaian
Temui cara membina rantaian tersuai dan menyepadukan fungsi serta logik Python anda sendiri dalam aliran kerja LangChain.
Menyesuaikan Logik Rantaian ialah pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi percuma di CoddyKit. Ini ialah pelajaran 3 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Ejen AI dengan LangChain dan Aliran Kerja Autonomi merangkumi sejumlah 4 pelajaran.
Melangkaui Rantaian Standard
Dalam pelajaran sebelumnya, anda telah mempelajari cara mencipta rantaian berjujukan untuk melakukan operasi berbilang langkah. Rantaian ini berkuasa untuk menghubungkan komponen LangChain standard seperti gesaan dan LLM.
Namun, bagaimana jika anda perlu melakukan sesuatu yang unik? Bagaimana jika anda perlu memproses data dengan cara tertentu sebelum data itu sampai kepada LLM, atau memformat outputnya selepas itu?
Bila Perlu Menambah Langkah Tersuai
Rantaian standard memang berguna, tetapi tidak dapat mengendalikan semua keadaan. Logik tersuai membolehkan anda:
- Memproses input terlebih dahulu: Membersihkan, mengesahkan atau mengubah input pengguna sebelum menghantarnya kepada gesaan atau LLM.
- Memproses output selepas itu: Menghuraikan, menapis atau memformat semula respons LLM untuk paparan atau kegunaan lanjut.
- Mengintegrasikan logik luaran: Memanggil fungsi Python anda sendiri, API luaran atau menggunakan penghalaan bersyarat.
- Mengendalikan transformasi data yang kompleks: Menukar jenis data, menggabungkan maklumat atau menggunakan peraturan perniagaan.
Memperkenalkan RunnableLambda
RunnableLambda LangChain ialah kunci anda untuk mengintegrasikan fungsi Python tersuai ke dalam rantaian. Ia membungkus sebarang boleh panggil Python (seperti fungsi atau ungkapan lambda) dan menjadikannya berfungsi seperti komponen Runnable LangChain.
Ini bermakna anda boleh menyisipkan logik Python anda sendiri dengan lancar di mana-mana sahaja dalam rantaian, sama seperti LLM atau templat gesaan!
Fungsi Tersuai Pertama Anda
Mari kita mulakan dengan fungsi tersuai ringkas yang menambahkan tanda seru pada rentetan. Kita akan membungkusnya dengan RunnableLambda supaya ia menjadi sebahagian daripada rantaian.
Cuba jalankan contoh asas ini:
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)Merangkaikan Logik Tersuai
Kuasa sebenar terserlah apabila anda menggabungkan RunnableLambda dengan komponen LangChain yang lain. Anda boleh meletakkan logik tersuai pada awal, pertengahan atau akhir rantaian.
Contohnya, anda mungkin mempunyai fungsi tersuai yang menyediakan input untuk gesaan, atau fungsi yang memproses output daripada LLM.
Rantaian Pemprosesan Awal Tersuai
Berikut ialah contoh yang menunjukkan langkah tersuai memproses input terlebih dahulu dengan menukarkannya kepada huruf besar sebelum input itu dihantar kepada PromptTemplate dan kemudian kepada LLM simulasi.
Perhatikan bahawa `uppercase_input` menjangkakan kamus, selaras dengan cara input rantaian biasanya berfungsi.
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)Logik Pemprosesan Akhir Tersuai
Sama seperti anda boleh memproses input terlebih dahulu, anda juga boleh memproses output selepas itu daripada LLM. Ini berguna untuk:
- Mengekstrak maklumat tertentu daripada respons yang panjang.
- Memformat output untuk dipaparkan dalam antara muka pengguna.
- Menukar output kepada struktur data yang berbeza (contohnya, JSON).
- Menambahkan pengepala atau pengaki tersuai pada mesej LLM.
Contoh: Pemformatan Output Tersuai
Mari kita cipta fungsi tersuai yang mengambil respons mentah LLM dan membungkusnya dengan mesej yang mesra. Ini menjadikan output lebih mudah digunakan oleh pengguna.
Jalankan contoh ini untuk melihat respons LLM diubah:
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)Menambah Logik Bersyarat
RunnableLambda bukan hanya untuk transformasi mudah. Anda boleh membenamkan logik Python yang kompleks, termasuk syarat, gelung dan juga panggilan kepada perkhidmatan lain, terus ke dalam rantaian anda.
Contohnya, anda boleh mempunyai langkah tersuai yang menyemak sama ada input memenuhi kriteria tertentu dan, jika tidak, mengubah hala aliran atau mengembalikan mesej lalai, lalu menghasilkan aliran kerja yang dinamik dan pintar.
Semakan Pantas: Langkah Rantaian Tersuai
Yang manakah antara berikut merupakan kes penggunaan yang baik untuk mengintegrasikan logik Python tersuai (contohnya, menggunakan RunnableLambda) ke dalam aliran kerja LangChain?
Imbas Kembali & Langkah Seterusnya
Anda telah mempelajari cara menyuntik fungsi dan logik Python anda sendiri ke dalam aliran kerja LangChain menggunakan RunnableLambda. Ciri berkuasa ini membolehkan anda:
- Melakukan pemprosesan awal tersuai pada input.
- Menggunakan pemprosesan akhir tersuai pada output LLM.
- Mengintegrasikan logik kompleks atau bersyarat dalam rantaian anda.
Dengan menguasai logik rantaian tersuai, anda memperoleh fleksibiliti besar untuk menyesuaikan LangChain mengikut keperluan tepat anda, lalu membina aplikasi yang benar-benar unik dan pintar. Seterusnya, terokai cara menggunakan kit alat sedia ada untuk menambahkan lebih banyak keupayaan kepada ejen anda!
Pelajari Ejen AI dengan LangChain dan Aliran Kerja Autonomi dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 12
- Pelajaran
- 50
Soalan Lazim
Adakah pelajaran “Menyesuaikan Logik Rantaian” percuma?
Ya — teks penuh “Menyesuaikan Logik Rantaian” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Ejen AI dengan LangChain dan Aliran Kerja Autonomi, tingkat taraf kepada CoddyKit PRO. Kursus Ejen AI dengan LangChain dan Aliran Kerja Autonomi merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Menyesuaikan Logik Rantaian”?
Temui cara membina rantaian tersuai dan menyepadukan fungsi serta logik Python anda sendiri dalam aliran kerja LangChain. Anda berlatih Ejen AI dengan LangChain dan Aliran Kerja Autonomi menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Ejen AI dengan LangChain dan Aliran Kerja Autonomi?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 3 daripada 4.
Berapa lamakah pelajaran “Menyesuaikan Logik Rantaian” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi ini?
Ya. Setiap pelajaran Ejen AI dengan LangChain dan Aliran Kerja Autonomi menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Pengenalan kepada Rantaian LangChain
- Rantaian Berjujukan dan Ringkas
- Menyesuaikan Logik Rantaian
- Penghalaan dan Rantaian Bersyarat