Skip to main content
Open In ColabOpen on GitHub

如何向链的状态添加值

Prerequisites

本指南假设您熟悉以下概念：

另一种通过链的步骤传递数据的方法是在给定键下分配新值的同时保持链状态的当前值不变。RunnablePassthrough.assign()静态方法接受一个输入值并添加传递给assign函数的额外参数。

这在常见的LangChain表达式语言模式中非常有用，即逐步创建一个字典以用作后续步骤的输入。

这是一个例子：

%pip install --upgrade --quiet langchain langchain-openai

import os
from getpass import getpass

if "OPENAI_API_KEY" not in os.environ:
    os.environ["OPENAI_API_KEY"] = getpass()
from langchain_core.runnables import RunnableParallel, RunnablePassthrough

runnable = RunnableParallel(
    extra=RunnablePassthrough.assign(mult=lambda x: x["num"] * 3),
    modified=lambda x: x["num"] + 1,
)

runnable.invoke({"num": 1})
{'extra': {'num': 1, 'mult': 3}, 'modified': 2}

让我们分解一下这里发生了什么。

  • 链的输入是 {"num": 1}。这被传递到一个 RunnableParallel 中，它并行调用传入的可运行对象并使用该输入。
  • extra 键下的值被调用。RunnablePassthrough.assign() 保留了输入字典中的原始键（{"num": 1}），并分配了一个名为 mult 的新键。该值是 lambda x: x["num"] * 3)，即 3。因此，结果是 {"num": 1, "mult": 3}。
  • {"num": 1, "mult": 3} 被返回到 RunnableParallel 调用，并设置为键 extra 的值。
  • 同时，调用了modified键。结果是2，因为lambda从其输入中提取了一个名为"num"的键并加一。

因此，结果是 {'extra': {'num': 1, 'mult': 3}, 'modified': 2}。

流处理​

这种方法的一个便利特性是，它允许值在可用时立即传递。为了展示这一点，我们将使用RunnablePassthrough.assign()在检索链中立即返回源文档：

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 ChatOpenAI, OpenAIEmbeddings

vectorstore = FAISS.from_texts(
    ["harrison worked at kensho"], embedding=OpenAIEmbeddings()
)
retriever = vectorstore.as_retriever()
template = """Answer the question based only on the following context:
{context}

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

generation_chain = prompt | model | StrOutputParser()

retrieval_chain = {
    "context": retriever,
    "question": RunnablePassthrough(),
} | RunnablePassthrough.assign(output=generation_chain)

stream = retrieval_chain.stream("where did harrison work?")

for chunk in stream:
    print(chunk)
{'question': 'where did harrison work?'}
{'context': [Document(page_content='harrison worked at kensho')]}
{'output': ''}
{'output': 'H'}
{'output': 'arrison'}
{'output': ' worked'}
{'output': ' at'}
{'output': ' Kens'}
{'output': 'ho'}
{'output': '.'}
{'output': ''}

我们可以看到，第一个块包含原始的"question"，因为它是立即可用的。第二个块包含"context"，因为检索器在第二个完成。最后，generation_chain的输出一旦可用就会以块的形式流式传输。

下一步​

现在你已经学会了如何通过你的链传递数据，以帮助格式化流经你的链的数据。

要了解更多信息，请参阅本节中关于可运行项的其他操作指南。

这个页面有帮助吗？