Guardrails与Langchain AgentExecutor集成的最佳实践
概述
在构建基于大语言模型(LLM)的应用时,Guardrails和Langchain是两个非常强大的工具。Guardrails提供了内容验证和安全防护功能,而Langchain则简化了LLM应用的开发流程。本文将详细介绍如何正确地将Guardrails与Langchain的AgentExecutor进行集成,特别是针对流式处理场景。
常见集成问题分析
许多开发者在尝试将Guardrails与Langchain的AgentExecutor集成时会遇到以下典型问题:
-
类型错误:当尝试在Langchain的RunnableSequence中间环节插入Guard时,会出现
TypeError: RunnableSequence._transform() got an unexpected keyword argument 'tools'
错误。 -
API缺失错误:在某些集成位置会出现
ValueError: API must be provided
错误。 -
验证时机不当:Guard验证在Agent执行完成前就被触发,导致验证无效。
问题根源
这些问题的根本原因在于对Langchain执行流程的理解不足。Langchain的AgentExecutor工作流程包含多个阶段:
- 工具绑定阶段:将工具定义转换为OpenAI兼容格式
- 提示工程阶段:构建完整的提示信息
- 模型调用阶段:实际调用LLM
- 输出解析阶段:解析模型返回结果
- 工具执行阶段:执行工具调用
- 结果整合阶段:整合所有步骤结果
如果在不恰当的阶段插入Guard验证,就会导致上述错误。
正确集成方案
经过深入分析,正确的集成方式是将Guard放在整个AgentExecutor之后,而不是中间环节。这种架构有以下优势:
- 确保所有处理流程已完成
- 能够验证最终输出结果
- 避免干扰Langchain内部执行流程
以下是正确的代码结构示例:
# 创建Agent组件链
agent = (
RunnablePassthrough.assign(
agent_scratchpad=lambda x: format_to_openai_tool_messages(
x["intermediate_steps"]
)
)
| prompt
| llm_with_tools
| OpenAIToolsAgentOutputParser()
)
# 创建执行器
agent_executor = AgentExecutor(agent=agent, tools=tools)
# 在最后添加Guard验证
chain = agent_executor | guard
实际应用示例
假设我们需要开发一个文档检索系统,要求输出中必须包含特定关键词"apricot",我们可以这样实现:
# 定义文档检索工具
@tool
def get_retriever_docs(query: str) -> list[Document]:
"""返回检索到的文档列表"""
return [Document(page_content="测试文档包含秘密代码'blue-green-apricot-brownie-cake-mousepad'")]
# 设置Guard验证规则
topic = "apricot"
guard = Guard().use(RegexMatch(topic, match_type="search", on_fail="filter"))
# 构建完整处理链
chain = agent_executor | guard
# 执行查询
query = "调用get_retriever_docs并告诉我文档中的秘密"
result = chain.invoke({"input":query})
性能考量
对于流式处理场景(streaming=True),需要注意:
- Guard验证会等待完整响应后才执行
- 验证过程会增加少量延迟
- 对于实时性要求高的场景,可以考虑异步验证
总结
将Guardrails与Langchain集成时,关键在于理解Langchain的执行流程和选择合适的集成点。通过在AgentExecutor之后添加Guard验证,可以确保:
- 所有工具调用和结果整合已完成
- 验证的是最终输出结果
- 不干扰Langchain内部执行机制
这种架构既保持了Langchain的灵活性,又通过Guardrails增加了内容安全性和可靠性。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









