首页
/ Guardrails与Langchain AgentExecutor集成的最佳实践

Guardrails与Langchain AgentExecutor集成的最佳实践

2025-06-11 02:37:22作者:昌雅子Ethen

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:

  1. 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。

  2. API缺失错误:在某些集成位置会出现ValueError: API must be provided错误。

  3. 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:

  1. 工具绑定阶段:将工具定义转换为OpenAI兼容格式
  2. 提示工程阶段:构建完整的提示信息
  3. 模型调用阶段:实际调用LLM
  4. 输出解析阶段:解析模型返回结果
  5. 工具执行阶段:执行工具调用
  6. 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:

  1. 确保所有处理流程已完成
  2. 能够验证最终输出结果
  3. 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:

  1. Guard验证会等待完整响应后才执行
  2. 验证过程会增加少量延迟
  3. 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:

  1. 所有工具调用和结果整合已完成
  2. 验证的是最终输出结果
  3. 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。

登录后查看全文
热门项目推荐

热门内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
860
511
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
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!
C
259
300
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
595
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K