Langchain[3]:Langchain架构演进与功能扩展：流式事件处理、事件过滤机制、回调传播策略及装饰器应用

1. Langchain的演变

v0.1: 初始版本，包含基本功能。

从0.1~0.2完成的特性：
1. 通过事件流 API 提供更好的流式支持。
2. 标准化工具调用支持Tools Calling。
3. 标准化的输出结构接口。
4. @chain 装饰器，更容易创建 RunnableLambdas。
5. 在 Python 中对许多核心抽象的更好异步支持。
6. 在 AIMessage 中包含响应元数据，方便访问底层模型的原始输出。
7. 可视化 runnables 或 langgraph 应用的工具。
8. 大多数提供商之间的聊天消息历史记录互操作性。
9. 超过 20 个 Python 流行集成的合作伙伴包。
LangChain 的未来发展
1. 持续致力于 langgraph 的开发(向langgraph迁移)，增强代理架构的能力。
2. 重新审视 vectorstores 抽象，以提高可用性和可靠性。
3. 改进文档和版本化文档。
4. 计划在 7 月至 9 月之间发布 0.3.0 版本，全面支持 Pydantic 2，并停止对 Pydantic 1 的支持。

注意：自 0.2.0 版本起，langchain 不再依赖 langchain-community。langchain-community 将依赖于 langchain-core 和 langchain。

具体变化
从 0.2.0 版开始，langchain 必须与集成无关。这意味着，langchain 中的代码默认情况下不应实例化任何特定的聊天模型、llms、嵌入模型、vectorstores 等；相反，用户需要明确指定这些模型。

以下这些API从0.2版本起要显式的传递LLM

langchain.agents.agent_toolkits.vectorstore.toolkit.VectorStoreToolkit
langchain.agents.agent_toolkits.vectorstore.toolkit.VectorStoreRouterToolkit
langchain.chains.openai_functions.get_openapi_chain
langchain.chains.router.MultiRetrievalQAChain.from_retrievers
langchain.indexes.VectorStoreIndexWrapper.query
langchain.indexes.VectorStoreIndexWrapper.query_with_sources
langchain.indexes.VectorStoreIndexWrapper.aquery_with_sources
langchain.chains.flare.FlareChain
langchain.indexes.VectostoreIndexCreator

以下代码已被移除

langchain.natbot.NatBotChain.from_default removed in favor of the from_llm class method.

@tool修饰符：

@tool
def my_tool(x: str) -> str:
    """Some description."""
    return "something"

print(my_tool.description)

0.2前运行结果会是：my_tool: (x: str) -> str - Some description. 0.2后的运行结果是：Some description.

更多内容见langchain 0.2 ：https://python.langchain.com/v0.2/docs/versions/v0_2/deprecations/

LangChain 简化了 LLM 应用程序生命周期的每个阶段：

开发：使用 LangChain 的开源构建块、组件和第三方集成构建您的应用程序。使用LangGraph构建具有一流流媒体和人机交互支持的状态代理。
生产化：使用LangSmith检查、监控和评估您的链，以便您可以不断优化和自信地部署。
部署：使用LangGraph Cloud将您的 LangGraph 应用程序转变为可用于生产的 API 和助手。

该框架目前将自身定位为覆盖LLM应用开发全生命周期的框架。包含开发、部署、工程化三个大方向，在这三个大方向，都有专门的产品或产品集：

开发阶段：主要是python和javascript两种语言的SDK，配合开放的社区组件模板，来便捷的实现跨LLM的APP开发
工程化或产品化阶段：主要是以LangSmith为代表的产品，集监控、playground、评估等功能于一身
部署阶段：主要是LangServer产品，基于fastapi封装的LLM API服务器。

基本的方向是开发员的SDK和组件来壮大社区，然后通过类似LangSmith等工具产品实现商业化。

langchain-core：主要的SDK依赖包，包括基本的抽象结构和LECL脚本语言。
langchain-community：第三方集成。
- 合作伙伴包（例如langchain-openai、langchain-anthropic等）：一些集成被进一步拆分成自己的仅依赖于的轻量级包langchain-core。
langchain：构成应用程序认知架构的链、代理和检索策略（剥离后只有Chains、Agents、以及构成应用程序认知结构的检索策略）。
LangGraph：通过将步骤建模为图中的边和节点，使用 LLM 构建强大且有状态的多参与者应用程序。与 LangChain 顺利集成，但可以在没有 LangChain 的情况下使用。【多Agents框架的实现】
LangServe：将 LangChain 链部署为 REST API。
LangSmith：功能很多包括提示词模板聚合、监控、调试、评测LLM等等，部分功能会收费。

2. 如何迁移到0.2.x版本

安装 0.2.x 版本的 langchain-core、langchain，并将可能使用的其他软件包升级到最新版本。(例如，langgraph、langchain-community、langchain-openai 等）。
验证代码是否能在新软件包中正常运行（例如，单元测试通过）。
安装最新版本的 langchain-cli，并使用该工具将代码中使用的旧导入替换为新导入。
手动解决所有剩余的弃用警告。
重新运行单元测试。
如果正在使用 astream_events，请查看如何迁移到 astream events v2。

如何迁移到0.2.x - 升级依赖包
0.2版本对依赖包做了较大调整，详细参照下表：

如何迁移到0.2.x - 使用langchain-cli工具
安装该工具

pip install langchain-cli
langchain-cli --version # <-- 确保版本至少为 0.0.22

注意，该工具并不完美，在迁移前你应该备份好你的代码。使用的时候您需要运行两次迁移脚本，因为每次运行只能应用一次导入替换。

#例如，您的代码仍然使用 
from langchain.chat_models import ChatOpenAI
#第一次运行后，您将得到： 
from langchain_community.chat_models import ChatOpenAI 
#第二次运行后，您将得到： 
from langchain_openai import ChatOpenAI

ang-cli的其他命令：

#See help menu
langchain-cli migrate --help
#Preview Changes without applying
langchain-cli migrate --diff [path to code]
#run on code including ipython notebooks
#Apply all import updates except for updates from langchain to langchain-core
langchain-cli migrate --disable langchain_to_core --include-ipynb [path to code]

3.基于runnables的流式事件支持

大模型在推理时由于要对下一个字的概率进行计算，所以无论多么牛逼的LLM，在推理的时候或多或少都有一些延迟，而这种延迟在类似Chat的场景里，体验非常不好，除了在LLM上下功夫外，提升最明显的就是从用户体验着手，采用类似流式输出的方式，加快反馈提升用户体验，让用户感觉快乐很多，这也是为什么chatG{T会采用这种类似打字机效果的原因。流式在langchain前面版本已经支持不少，在0.2版本里，主要是增加了事件支持，方便开发者对流可以有更细致的操作颗粒度。

流的主要接口
我们知道从0.1大版本开始，langchain就支持所谓的runnable协议，为大部分组件都添加了一些交互接口，其中流的接口有：
- 同步方式的stream以及异步的astream:他们会以流的方式得到chain的最终结果。
- 异步方式的astream_event和astream_log:这两个都可以获得到流的中间步骤和最终结果。

3.1 直接使用大模型输出流


from langchain_community.chat_models import ChatZhipuAI
import os
os.environ["ZHIPUAI_API_KEY"] = "zhipuai_api_key"

model = ChatZhipuAI(
    model="glm-4",
    temperature=0,
    streaming=True,
)

chunks = []
async for chunk in model.astream("你好关于降本增效你都知道什么?"): #采用异步比同步输出更快
    chunks.append(chunk)
    print(chunk.content, end="|", flush=True)

结果

#异步输出
降|本|增效|是企业|为了|提高|市场|竞争力|、|优化|资源配置|、|提升|经济效益|而|采取|的一系列|措施|。|其|核心|是|降低|成本|、|提高|效率|，|具体|来说|，|包括|以下几个方面|：

1|.| **|成本|控制|**|：|企业|通过|精细|化管理|，|严格控制|生产|成本|，|减少|不必要的|开支|。|比如|，|优化|供应链|管理|，|降低|原材料|采购|成本|；|提高|能源|利用|效率|，|减少|能源|消耗|；|精|简|人员|结构|，|提高|劳动|生产|率|等|。

2|.| **|技术创新|与|研发|**|：|通过|技术创新|和|研发|，|改进|生产工艺|，|提高|产品质量|，|降低|单位|产品|成本|。|同时|，|新技术|、|新|产品的|开发|也能|提升|企业的|市场竞争|力和|盈利|能力|。

3|.| **|管理|优化|**|：|优化|企业|内部|管理|流程|，|提高|决策|效率|和管理|效率|。|如|实施|信息化|管理|，|提高|数据处理|速度|和|准确性|，|减少|人为|错误|和|重复|劳动|。

4|.| **|市场|与|销售|策略|调整|**|：|根据|市场|变化|调整|销售|策略|，|优化|产品|结构|，|提高|高|附加值|产品的|比重|，|增强|市场|适应|能力和|盈利|能力|。

5|.| **|资金|运作|**|：|合理|规划和|优化|企业|融资|结构|，|降低|财务|成本|。|比如|，|通过|发行|低|利率|债券|等方式|筹集|资金|，|减少|利息|支出|。

6|.| **|规模|效应|**|：|扩大|生产|规模|，|实现|规模|经济|，|降低|单位|成本|。

以下|是根据|提供的|参考|信息|，|对|几|家企业|降|本|增效|措施|的具体|案例分析|：

-| **|山东|钢铁|**|：|面临|行业|困境|，|山东|钢铁|通过|增持|公司|股份|增强|市场|信心|，|同时|实施|包括|提高|增量|、|降低|费用|、|加强|采购|优化|销售等|在内的|多项|措施|，|并通过|财务|手段|降低|贷款|利率|，|成功|发行|低成本|融资|券|。

-| **|银|轮|股份|**|：|公司|通过|持续推进|降|本|增效|措施|，|提升|运营|效率|，|改善|海外|工厂|运营|，|提升|盈利|能力|，|并通过|加大|研发|投入|，|强化|技术|产品|优势|。

-| **|山|鹰|国际|**|：|通过|提升|产能|利用率|，|持续|推动|降|本|增效|和|精益|生产|，|优化|运营|资金|，|降低|管|销|费用|。

-| **|野|马|电池|**|：|公司|优化|营销|网络|布局|，|加强|销售|推广|，|同时|推进|精细|化管理|，|全面|降|本|增效|，|提高|运营|效率|。

-| **|丽|尚|国|潮|**|：|在|消费|复苏|背景下|，|公司|通过|优化|商业模式|，|实施|精细化|运营|管理|，|提升|业务|效率和|盈利|能力|。

-| **|白银|有色|**|：|通过|强化|内部|管理|，|多|措|并举|降|本|增效|、|开源|节|流|，|提升|经济效益|，|改善|经营|状况|。

这些|案例|表明|，|降|本|增效|是|企业在|各种|市场|环境下|提升|竞争力|、|保证|可持续发展|的重要|途径|。||

3.2 Chain中的流输出

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate

import os
os.environ["ZHIPUAI_API_KEY"] = "xxx"

model = ChatZhipuAI(
    model="glm-4",
    temperature=0,
    streaming=True,
)

prompt = ChatPromptTemplate.from_template("告诉我一个关于{topic}的笑话")
parser = StrOutputParser()
chain = prompt | model | parser

async for chunk in chain.astream({"topic": "裁员"}):
    print(chunk, end="|", flush=True)

有一天|，|公司|老板|走进|办公室|，|对所有|员工|说|：“|我|有个|好消息|和一个|坏|消息|要|告诉大家|。”|员工|们|紧张|地|等待着|，|老板|接着|说|：“|坏|消息|是|，|我们|公司|要|裁员|了|。”|大家|一片|沉默|，|这时|老板|又|笑着说|：“|好消息|是|，|我们|公司|要|裁员|了|，|你们|终于|可以|摆脱|这些|无聊|的工作|，|去|追求|自己的|梦想|了|！”|员工|们|面|面|相|觑|，|其中|一个人|小|声|嘀|咕|：“|那|我还是|先|回去|做|一下|简历|吧|。”|这个|笑话|虽然|有些|黑色|幽默|，|但也|反映了|裁员|这个|话题|在|职场|中的|敏感性|。|希望大家|在|现实生活中|都能|顺利|度过|各种|职场|挑战|。||

3.3 高级使用：在chain中使用流式输出json结构

很多时候的实际场景是，我们希望接口输出的是一个json结构，这样在前端应用层面会比较灵活，但是如果是流式输出，很可能因为字符结构没有输出结束会导致json报错，这种情况可以这样处理：

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import JsonOutputParser
import os

os.environ[
    "ZHIPUAI_API_KEY"] = "key"

model = ChatZhipuAI(
    model="glm-4",
    temperature=0,
    streaming=True,
)

#异步方法
import asyncio
async def my_async_function():
    chain = (model | JsonOutputParser())
    async for text in chain.astream("输出 JSON 格式的法国、西班牙和日本国家及其人口列表。 "
                                    '使用一个外键为 "countries "的 dict，其中包含一个国家列表。'
                                    "每个国家都应有 `name` 和 `population`键"):
        print(text, flush=True)

async def main():
    await my_async_function()

asyncio.run(main()) #In plain Python
#await main()  # In jupyter jupyter 已经运行了loop，无需自己激活，采用await()调用即可

结果

{}
{'countries': []}
{'countries': [{}]}
{'countries': [{'name': ''}]}
{'countries': [{'name': 'France'}]}
{'countries': [{'name': 'France', 'population': 67}]}
{'countries': [{'name': 'France', 'population': 673}]}
{'countries': [{'name': 'France', 'population': 673900}]}
{'countries': [{'name': 'France', 'population': 67390000}]}
{'countries': [{'name': 'France', 'population': 67390000}, {}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': ''}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain'}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 46}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 467}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 467330}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 46733038}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 46733038}, {}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 46733038}, {'name': ''}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 46733038}, {'name': 'Japan'}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 46733038}, {'name': 'Japan', 'population': 125}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 46733038}, {'name': 'Japan', 'population': 1258}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 46733038}, {'name': 'Japan', 'population': 125880}]}
{'countries': [{'name': 'France', 'population': 67390000}, {'name': 'Spain', 'population': 46733038}, {'name': 'Japan', 'population': 125880000}]}

看到流的输出总是保持这合法的json结构，从而避免了报错，如果我们期待在这种结构下，可以以流式来取到国家名称该怎么做？是的这里就要在Json输出后，继续处理。

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import JsonOutputParser
import os

os.environ[
    "ZHIPUAI_API_KEY"] = "9a0"

model = ChatZhipuAI(
    model="glm-4",
    temperature=0,
    streaming=True,
)

#异步方法
import asyncio

#自定义函数用来过滤上一步的输入
async def _extract_country_names_streaming(input_stream):
    """A function that operates on input streams."""
    country_names_so_far = set()

    async for input in input_stream:
        if not isinstance(input, dict):
            continue

        if "countries" not in input:
            continue

        countries = input["countries"]

        if not isinstance(countries, list):
            continue

        for country in countries:
            name = country.get("name")
            if not name:
                continue
            if name not in country_names_so_far:
                yield name
                country_names_so_far.add(name)


async def my_async_function():
		# 在json输出后，调用自定义函数用来过滤国家这个字段
    chain = model | JsonOutputParser() | _extract_country_names_streaming
    async for text in chain.astream("输出 JSON 格式的法国、西班牙和日本国家及其人口列表。 "
                                    '使用一个外键为 "countries "的 dict，其中包含一个国家列表。'
                                    "每个国家都应有 `name` 和 `population`键"):
        #以|符号分割开字符
        print(text, end="|", flush=True)


async def main():
    await my_async_function()


asyncio.run(main())

Franc| Spain| Japan|

3.4 不支持流式的组件处理(检索器)

并不是所有的组件都支持流式输出，比如检索器就不支持，在原生的langchain中，当你给不支持stram的组件调用流接口时，一般不会有打字机效果，而是和使用invoke效果差不多。而当你使用LCEL去调用类似检索器组件的时候，它依然可以搞出来打字机效果，这也是为什么要尽量使用LCEL的原因。我们看个例子：

#安装依赖
pip install faiss-cpu

from langchain_community.vectorstores import FAISS
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_openai import OpenAIEmbeddings

template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)

vectorstore = FAISS.from_texts(
    ["harrison worked at kensho", "harrison likes spicy food"],
    embedding=OpenAIEmbeddings(),
)
retriever = vectorstore.as_retriever()

chunks = [chunk for chunk in retriever.stream("where did harrison work?")]
chunks

原生的检索器在这种情况下只会返回最终结果，并没有流的效果：

[[Document(page_content='harrison worked at kensho'),
  Document(page_content='harrison likes spicy food')]]

而使用LCEL调用后，则可以输出中间的过程：

retrieval_chain = (
    {
        "context": retriever.with_config(run_name="Docs"),
        "question": RunnablePassthrough(),
    }
    | prompt
    | model
    | StrOutputParser()
)

for chunk in retrieval_chain.stream(
    "Where did harrison work? " "Write 3 made up sentences about this place."
):
    print(chunk, end="|", flush=True)

全代码【智谱llM+百川词嵌入模型】

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import JsonOutputParser
from langchain_community.embeddings import BaichuanTextEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
import os

os.environ[
    "ZHIPUAI_API_KEY"] = "7c182nN"

model = ChatZhipuAI(
    model="glm-4",
    temperature=0,
    streaming=True,
)


template = """Answer the question based only on the following context:
{context}

Question: {question}
"""
prompt = ChatPromptTemplate.from_template(template)


embeddings=BaichuanTextEmbeddings(baichuan_api_key="sk-175510")

vectorstore = FAISS.from_texts(
    ["harrison worked at kensho", "harrison likes spicy food"],
    embedding=embeddings,
)
retriever = vectorstore.as_retriever()


retrieval_chain = (
    {
        "context": retriever.with_config(run_name="Docs"),
        "question": RunnablePassthrough(),
    }
    | prompt
    | model
    | StrOutputParser()
)

for chunk in retrieval_chain.stream(
    "Where did harrison work? " "Write 3 made up sentences about this place."
):
    print(chunk, end="|", flush=True)

H|arrison| worked| at| Kens|ho|,| a| cutting|-edge| technology| company| known| for| its| innovative| AI| solutions|.| 
1|.| Kens|ho| is| renowned| for| its| vibrant| work| culture|,| where| employees| are| encouraged| to| think| outside| the| box| and| push| the| boundaries| of| technology|.
2|.| The| office| environment| at| Kens|ho| is| dynamic| and| fast|-paced|,| with| a| strong| emphasis| on| collaboration| and| continuous| learning|.
3|.| Kens|ho| is| located| in| a| state|-of|-the|-art| facility|,| boasting| impressive| amenities| and| a| sleek|,| modern| design| that| fost|ers| creativity| and| productivity|.||

4. v0.2的核心特性：流中的事件支持

如要使用该特性，你首先要确认自己的langchain_core版本等于0.2

import langchain_core
langchain_core.__version__
#'0.2.18'

官方给到了一些注意事项：

使用流要尽量使用异步方式编程。
如果你自定义了函数一定要配置callback。
不使用LCEL的话尽量使用.astram来访问LLM。
langchain将流的过程细化，并在每个阶段给了开发者一个事件钩子，每个阶段都可以获取输出结果：

4.1 在chatmodel中使用：

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import JsonOutputParser
import os

os.environ[
    "ZHIPUAI_API_KEY"] = "7epjHnN"

model = ChatZhipuAI(
    model="glm-4",
    temperature=0,
    streaming=True,
)

#异步方法
import asyncio
async def my_async_function():
    events = []
    async for event in model.astream_events("hello", version="v2"):
        events.append(event)
    print(events[:3])

async def main():
    await my_async_function()

#asyncio.run(main())
await main()

注意：version=v2这个参数表明events事件流依然是一个beta API，后面肯定还有更改，所以商业应用要慎重！该参数只在 langchain-core>=0.2.0作用！

结果

[{'event': 'on_chat_model_start', 'data': {'input': 'hello'}, 'name': 'ChatZhipuAI', 'tags': [], 'run_id': 'c87b9c20-6dbf-41d3-989a-0b609c0b3fb4', 'metadata': {'ls_model_type': 'chat'}, 'parent_ids': []}, {'event': 'on_chat_model_stream', 'run_id': 'c87b9c20-6dbf-41d3-989a-0b609c0b3fb4', 'name': 'ChatZhipuAI', 'tags': [], 'metadata': {'ls_model_type': 'chat'}, 'data': {'chunk': AIMessageChunk(content='Hello', id='run-c87b9c20-6dbf-41d3-989a-0b609c0b3fb4')}, 'parent_ids': []}, {'event': 'on_chat_model_stream', 'run_id': 'c87b9c20-6dbf-41d3-989a-0b609c0b3fb4', 'name': 'ChatZhipuAI', 'tags': [], 'metadata': {'ls_model_type': 'chat'}, 'data': {'chunk': AIMessageChunk(content=' 👋!', id='run-c87b9c20-6dbf-41d3-989a-0b609c0b3fb4')}, 'parent_ids': []}]

4.2 在Chain中的使用：

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import JsonOutputParser
import os

os.environ[
    "ZHIPUAI_API_KEY"] = "7cjHnN"

model = ChatZhipuAI(
    model="glm-4",
    temperature=0,
    streaming=True,
)

#异步方法
import asyncio

async def my_async_function():
    chain = (model | JsonOutputParser())
    num_events = 0
    async for event in chain.astream_events(
            "输出 JSON 格式的法国、西班牙和日本国家及其人口列表。 "
            '使用一个外键为 "countries "的 dict，其中包含一个国家列表。'
            "每个国家都应有 `name` 和 `population`键",
            version="v2",
    ):
        #筛选event
        kind = event["event"]
        if kind == "on_chat_model_stream":
            print(
                f"Chat model chunk: {repr(event['data']['chunk'].content)}",
                flush=True,
            )
        if kind == "on_parser_stream":
            print(f"Parser chunk: {event['data']['chunk']}", flush=True)
        num_events += 1
        if num_events > 30:
            # Truncate the output
            print("...")
            break

async def main():
    await my_async_function()

#asyncio.run(main())
await main()

Chat model chunk: '以下是'
Chat model chunk: '按照'
Chat model chunk: '您'
Chat model chunk: '的要求'
Chat model chunk: '，'
Chat model chunk: '以'
Chat model chunk: ' JSON'
Chat model chunk: ' 格'
Chat model chunk: '式'
Chat model chunk: '表示'
Chat model chunk: '法国'
Chat model chunk: '、'
Chat model chunk: '西班牙'
Chat model chunk: '和'
Chat model chunk: '日本'
Chat model chunk: '国家'
Chat model chunk: '及其'
Chat model chunk: '人口'
Chat model chunk: '的一个'
Chat model chunk: '示例'
Chat model chunk: '：\n\n'
Chat model chunk: 'json'
Chat model chunk: '\n{\n '
Parser chunk: {}
Chat model chunk: ' "'
Chat model chunk: 'countries'
Chat model chunk: ':'
...

5.事件过滤

结合事件以及配置参数，可以很方便的找出你想要的阶段数据

通过定义名字实现事件的筛选，后续想要使用的块

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import JsonOutputParser
import os

os.environ[
    "ZHIPUAI_API_KEY"] = "key"

model = ChatZhipuAI(
    model="glm-4",
    temperature=0,
    streaming=True,
)

#异步方法
import asyncio

async def my_async_function():
    chain = model.with_config({"run_name": "model"}) | JsonOutputParser().with_config(
    {"run_name": "my_parser"}
)
    num_events = 0
    async for event in chain.astream_events(
            "输出 JSON 格式的法国、西班牙和日本国家及其人口列表。 "
            '使用一个外键为 "countries "的 dict，其中包含一个国家列表。'
            "每个国家都应有 `name` 和 `population`键",
             version="v2",
					    include_names=["my_parser"],
    ):
        print(event)
		    max_events += 1
		    if max_events > 10:
		        # Truncate output
		        print("...")
		        break

async def main():
    await my_async_function()

asyncio.run(main())

6.回调传播

在工具中使用调用可运行项，则需要将回调传播到可运行项;否则，不会生成任何流事件。

from langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import JsonOutputParser
import os

os.environ[
    "ZHIPUAI_API_KEY"] = "key"

model = ChatZhipuAI(
    model="glm-4",
    temperature=0,
    streaming=True,
)

from langchain_core.runnables import RunnableLambda
from langchain_core.tools import tool


#反转单词
def reverse_word(word: str):
    return word[::-1]


reverse_word = RunnableLambda(reverse_word)


@tool
def correct_tool(word: str, callbacks):
    """A tool that correctly propagates callbacks."""
    return reverse_word.invoke(word, {"callbacks": callbacks})


async for event in correct_tool.astream_events("hello", version="v2"):
    print(event)

{'event': 'on_tool_start', 'data': {'input': 'hello'}, 'name': 'correct_tool', 'tags': [], 'run_id': '97cd4122-e699-4a54-8370-699ed9e6cdb4', 'metadata': {}, 'parent_ids': []}
{'event': 'on_chain_start', 'data': {'input': 'hello'}, 'name': 'reverse_word', 'tags': [], 'run_id': '9e6635fe-879f-4b74-9c23-8de768b49a39', 'metadata': {}, 'parent_ids': ['97cd4122-e699-4a54-8370-699ed9e6cdb4']}
{'event': 'on_chain_end', 'data': {'output': 'olleh', 'input': 'hello'}, 'run_id': '9e6635fe-879f-4b74-9c23-8de768b49a39', 'name': 'reverse_word', 'tags': [], 'metadata': {}, 'parent_ids': ['97cd4122-e699-4a54-8370-699ed9e6cdb4']}
{'event': 'on_tool_end', 'data': {'output': 'olleh'}, 'run_id': '97cd4122-e699-4a54-8370-699ed9e6cdb4', 'name': 'correct_tool', 'tags': [], 'metadata': {}, 'parent_ids': []}