Langroid项目中处理大型工具输出的优化方案
2025-06-25 13:07:27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
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (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
927
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
64

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
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8