Langroid项目中处理大型工具输出的优化方案
2025-06-25 17:42:44作者:何举烈Damon
背景介绍
在Langroid项目中,当使用工具获取额外数据时,经常需要对原始工具输出进行预处理(例如从原始网页中选择相关信息)。然而,这些原始工具输出会被存储在消息历史中,不必要地增加了模型的上下文大小负担。这个问题在RAG(检索增强生成)场景中尤为常见,但解决方案一直不够明确。
问题分析
传统上,开发者可能会尝试使用_llm_response_temp_context
或llm_response_forget
等底层方法来解决这个问题,但这些方法不够直观且使用复杂。更糟糕的是,设置erase_substeps=True
会导致难以预测的行为,正如文档中所警告的那样。
解决方案演进
临时解决方案
在官方提供标准解决方案前,开发者可能会通过继承ChatAgent
类并重写llm_response
方法来实现功能:
class ForgettingAgent(ChatAgent):
def __init__(self, *args, **kwargs):
super().__init__(*args, **kwargs)
self._tool_used_in_last_step = False
def llm_response(self, query: None | str | ChatDocument = None) -> Optional[ChatDocument]:
n_msgs = len(self.message_history)
response = super().llm_response(query)
if "TOOL:" in response.content:
self._tool_used_in_last_step = True
return response
else:
self._tool_used_in_last_step = False
self.message_history.pop(-2) if len(self.message_history) > n_msgs else None
return response
这种方法虽然有效,但既不优雅也不便于维护。
官方标准解决方案
Langroid项目在0.22.0版本中引入了更优雅的解决方案。现在,开发者可以通过在工具消息类中设置prevent_result_in_history=True
属性来防止原始工具输出被存储在消息历史中。
实现原理是:当这个标志设置为True时,系统会自动从消息历史中移除原始工具输出,只保留处理后的结果。这种方法既保持了代码的简洁性,又提供了明确的控制机制。
最佳实践
在实际开发中,建议采用以下模式处理大型工具输出:
- 对于会产生大量原始数据的工具类,设置
prevent_result_in_history=True
- 在工具处理逻辑中,先获取原始数据
- 对原始数据进行预处理,提取关键信息
- 返回处理后的简洁结果
这种模式既避免了上下文膨胀问题,又保持了对话流程的连贯性。
技术实现细节
在底层实现上,Langroid通过以下机制支持这一功能:
- 工具消息处理阶段会检查
prevent_result_in_history
标志 - 如果标志为True,系统会在处理完成后自动清理原始输出
- 清理操作不影响后续对话流程,因为系统已经保留了处理后的结果
- 整个过程对开发者透明,无需手动管理消息历史
总结
Langroid项目通过引入prevent_result_in_history
机制,为处理大型工具输出提供了优雅的解决方案。这种方法不仅解决了上下文膨胀问题,还保持了API的简洁性和易用性,是处理类似场景的最佳实践。
登录后查看全文
热门项目推荐
- 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~042CommonUtilLibrary
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!C0299- 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
1 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析2 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析3 freeCodeCamp英语课程填空题提示缺失问题分析4 freeCodeCamp音乐播放器项目中的函数调用问题解析5 freeCodeCamp论坛排行榜项目中的错误日志规范要求6 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp Cafe Menu项目中link元素的void特性解析9 freeCodeCamp全栈开发课程中React实验项目的分类修正10 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
858
511

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
258
298

🔥🔥🔥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

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

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

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

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

deepin linux kernel
C
22
5