网站怎么做伪静态,上海网站设计推荐刻,新网站怎么做流畅,湖南网站建设 尖端磐石网络Langchain[3]:Langchain架构演进与功能扩展#xff1a;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#xff0c;包含基本功能。 从0.1~0.2完成的特性#xff1a; 通过事件流 API 提供更好的流式支持。标准化工具调用支持Tool…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 通过事件流 API 提供更好的流式支持。标准化工具调用支持Tools Calling。标准化的输出结构接口。chain 装饰器更容易创建 RunnableLambdas。在 Python 中对许多核心抽象的更好异步支持。在 AIMessage 中包含响应元数据方便访问底层模型的原始输出。可视化 runnables 或 langgraph 应用的工具。大多数提供商之间的聊天消息历史记录互操作性。超过 20 个 Python 流行集成的合作伙伴包。 LangChain 的未来发展 持续致力于 langgraph 的开发(向langgraph迁移)增强代理架构的能力。重新审视 vectorstores 抽象以提高可用性和可靠性。改进文档和版本化文档。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 somethingprint(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 ChatOpenAIang-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_keymodel ChatZhipuAI(modelglm-4,temperature0,streamingTrue,
)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|, flushTrue)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 ChatPromptTemplateimport os
os.environ[ZHIPUAI_API_KEY] xxxmodel ChatZhipuAI(modelglm-4,temperature0,streamingTrue,
)prompt ChatPromptTemplate.from_template(告诉我一个关于{topic}的笑话)
parser StrOutputParser()
chain prompt | model | parserasync for chunk in chain.astream({topic: 裁员}):print(chunk, end|, flushTrue)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 osos.environ[ZHIPUAI_API_KEY] keymodel ChatZhipuAI(modelglm-4,temperature0,streamingTrue,
)#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, flushTrue)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 osos.environ[ZHIPUAI_API_KEY] 9a0model ChatZhipuAI(modelglm-4,temperature0,streamingTrue,
)#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):continueif countries not in input:continuecountries input[countries]if not isinstance(countries, list):continuefor country in countries:name country.get(name)if not name:continueif name not in country_names_so_far:yield namecountry_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_streamingasync 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|, flushTrue)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-cpufrom 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 OpenAIEmbeddingstemplate 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],embeddingOpenAIEmbeddings(),
)
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_contentharrison worked at kensho),Document(page_contentharrison 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_nameDocs),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|, flushTrue)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 osos.environ[ZHIPUAI_API_KEY] 7c182nNmodel ChatZhipuAI(modelglm-4,temperature0,streamingTrue,
)template Answer the question based only on the following context:
{context}Question: {question}prompt ChatPromptTemplate.from_template(template)embeddingsBaichuanTextEmbeddings(baichuan_api_keysk-175510)vectorstore FAISS.from_texts([harrison worked at kensho, harrison likes spicy food],embeddingembeddings,
)
retriever vectorstore.as_retriever()retrieval_chain ({context: retriever.with_config(run_nameDocs),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|, flushTrue)
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 osos.environ[ZHIPUAI_API_KEY] 7epjHnNmodel ChatZhipuAI(modelglm-4,temperature0,streamingTrue,
)#异步方法
import asyncio
async def my_async_function():events []async for event in model.astream_events(hello, versionv2):events.append(event)print(events[:3])async def main():await my_async_function()#asyncio.run(main())
await main() 注意versionv2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-core0.2.0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(contentHello, idrun-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 !, idrun-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 osos.environ[ZHIPUAI_API_KEY] 7cjHnNmodel ChatZhipuAI(modelglm-4,temperature0,streamingTrue,
)#异步方法
import asyncioasync def my_async_function():chain (model | JsonOutputParser())num_events 0async 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,versionv2,):#筛选eventkind event[event]if kind on_chat_model_stream:print(fChat model chunk: {repr(event[data][chunk].content)},flushTrue,)if kind on_parser_stream:print(fParser chunk: {event[data][chunk]}, flushTrue)num_events 1if num_events 30:# Truncate the outputprint(...)breakasync 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 osos.environ[ZHIPUAI_API_KEY] keymodel ChatZhipuAI(modelglm-4,temperature0,streamingTrue,
)#异步方法
import asyncioasync def my_async_function():chain model.with_config({run_name: model}) | JsonOutputParser().with_config({run_name: my_parser}
)num_events 0async 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,versionv2,include_names[my_parser],):print(event)max_events 1if max_events 10:# Truncate outputprint(...)breakasync 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 osos.environ[ZHIPUAI_API_KEY] keymodel ChatZhipuAI(modelglm-4,temperature0,streamingTrue,
)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, versionv2):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: []}更多优质内容请关注公号汀丶人工智能会提供一些相关的资源和优质文章免费获取阅读。
