AI Agents with LangChain & Autonomous Workflows · Ders

Zincir Mantığını Özelleştirme

Özel zincirler oluşturmayı ve kendi Python işlevlerinizi ve mantığınızı LangChain iş akışlarına entegre etmeyi keşfedin.

Zincir Mantığını Özelleştirme, CoddyKit'te ücretsiz bir AI Agents with LangChain & Autonomous Workflows dersidir. Bu, 4 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Agents with LangChain & Autonomous Workflows öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Agents with LangChain & Autonomous Workflows kursu toplamda 4 dersten oluşur.

Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.

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!

Sıkça Sorulan Sorular

“Zincir Mantığını Özelleştirme” dersi ücretsiz mi?

Evet — “Zincir Mantığını Özelleştirme” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Agents with LangChain & Autonomous Workflows kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Agents with LangChain & Autonomous Workflows kursu toplamda 4 dersten oluşur.

“Zincir Mantığını Özelleştirme” dersinde ne öğreneceğim?

Özel zincirler oluşturmayı ve kendi Python işlevlerinizi ve mantığınızı LangChain iş akışlarına entegre etmeyi keşfedin. AI Agents with LangChain & Autonomous Workflows ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

AI Agents with LangChain & Autonomous Workflows öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te AI Agents with LangChain & Autonomous Workflows, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 3. dersidir.

“Zincir Mantığını Özelleştirme” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu AI Agents with LangChain & Autonomous Workflows dersinde kod yazıp çalıştırabilir miyim?

Evet. Her AI Agents with LangChain & Autonomous Workflows dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← AI Agents with LangChain & Autonomous Workflows Sayfasına Dön