企业官网建设流程全解析

课程目标

✅ 理解回调（Callbacks）的作用与核心场景 ✅ 掌握LangChainCallbackHandler的基础用法 ✅ 学会对话持久化（存到文件 / 数据库） ✅ 能给你的链加上日志追踪，调试问题更轻松

一、核心概念：回调（Callbacks）

1. 什么是回调？

回调就是钩子函数，在 LangChain 的组件执行前后自动触发，用来：

• 打印日志、记录耗时
• 监控模型调用次数、token 消耗
• 给前端实时推送生成进度
• 做错误捕获、重试逻辑

2. 内置回调：StdOutCallbackHandler

最常用的控制台日志回调，能帮你打印链里每一步的执行细节，是调试必备！

python

运行

from langchain.callbacks import StdOutCallbackHandler from langchain_openai import OpenAI from langchain.chains import LLMChain from langchain.prompts import PromptTemplate # 1. 初始化模型+回调 llm = OpenAI(temperature=0, callbacks=[StdOutCallbackHandler()]) # 2. 组装链 prompt = PromptTemplate(input_variables=["topic"], template="解释一下{topic}") chain = LLMChain(llm=llm, prompt=prompt) # 3. 执行，控制台会自动打印完整执行过程 chain.run("LangChain回调")

你运行后会看到：模型调用、prompt 拼接、token 消耗等日志，调试超方便！

二、自定义回调：实现日志追踪

如果想把日志存到文件、数据库，或者做更复杂的监控，可以继承BaseCallbackHandler写自定义回调：

python

运行

from langchain.callbacks.base import BaseCallbackHandler import time class MyCustomCallback(BaseCallbackHandler): def on_llm_start(self, serialized, prompts, **kwargs): print(f"[日志] 模型开始调用，prompt：{prompts[0][:100]}...") self.start_time = time.time() def on_llm_end(self, response, **kwargs): duration = time.time() - self.start_time print(f"[日志] 模型调用结束，耗时：{duration:.2f}秒") print(f"[日志] 模型回复：{response.generations[0][0].text[:100]}...") # 使用自定义回调 llm = OpenAI(temperature=0, callbacks=[MyCustomCallback()]) chain = LLMChain(llm=llm, prompt=prompt) chain.run("LangChain自定义回调")

你可以在这些钩子方法里，把数据写入文件、发送到日志服务器，实现持久化监控。

三、对话持久化：把聊天记录存起来

之前用的ConversationBufferMemory是存在内存里的，程序重启就丢了。LangChain 支持把对话历史持久化到文件 / 数据库，这里给你 2 种常用方案：

方案 1：文件持久化（简单易上手）

python

运行

from langchain.memory import ConversationBufferMemory from langchain.chains import ConversationChain import json # 1. 初始化记忆 memory = ConversationBufferMemory() conv_chain = ConversationChain(llm=OpenAI(temperature=0), memory=memory) # 2. 对话 conv_chain.predict(input="你好，我在学LangChain") conv_chain.predict(input="回调是什么？") # 3. 保存对话到文件 history = memory.load_memory_variables({})["history"] with open("chat_history.json", "w", encoding="utf-8") as f: json.dump(history, f, ensure_ascii=False, indent=2) # 4. 下次启动时加载对话 from langchain.memory.chat_message_histories import FileChatMessageHistory from langchain.memory import ConversationBufferMemory chat_history = FileChatMessageHistory("chat_history.json") memory = ConversationBufferMemory(chat_memory=chat_history, return_messages=True) conv_chain = ConversationChain(llm=OpenAI(temperature=0), memory=memory)

方案 2：SQLite 数据库持久化（适合长期使用）

python

运行

from langchain.memory.chat_message_histories import SQLChatMessageHistory from langchain.memory import ConversationBufferMemory # 连接SQLite数据库，存储对话历史 chat_history = SQLChatMessageHistory( session_id="user_123", # 每个用户/会话一个ID connection_string="sqlite:///chat_history.db" ) memory = ConversationBufferMemory(chat_memory=chat_history, return_messages=True) conv_chain = ConversationChain(llm=OpenAI(temperature=0), memory=memory) # 对话会自动保存到数据库，重启不丢失 conv_chain.predict(input="我又来了，接着聊回调")

四、课后作业（30 分钟搞定）

1. 用StdOutCallbackHandler给一个LLMChain加上控制台日志，运行并观察输出。
2. 写一个自定义回调，实现：模型调用开始 / 结束时，打印耗时和 prompt 前 100 字符。
3. 用FileChatMessageHistory实现对话持久化：
   • 第一次运行：和模型聊 2 轮
   • 第二次运行：加载历史对话，接着聊，验证历史不丢失

     作业 1：用StdOutCallbackHandler给LLMChain加控制台日志

     python

     运行

     from langchain_openai import OpenAI from langchain.chains import LLMChain from langchain.prompts import PromptTemplate from langchain.callbacks import StdOutCallbackHandler # 1. 初始化模型 + 控制台日志回调 llm = OpenAI( temperature=0, callbacks=[StdOutCallbackHandler()] # 开启内置日志回调 ) # 2. 定义提示词模板 prompt = PromptTemplate( input_variables=["topic"], template="请用大白话解释一下：{topic}" ) # 3. 组装链 chain = LLMChain(llm=llm, prompt=prompt) # 4. 执行，控制台会自动打印完整执行过程 result = chain.run("LangChain的回调机制") print("\n最终回答：", result)

     运行后，你会在控制台看到模型调用、提示词拼接、Token 消耗等完整日志，方便调试。

     ---

     作业 2：自定义回调，记录模型调用耗时和 Prompt

     python

     运行

     from langchain.callbacks.base import BaseCallbackHandler from langchain_openai import OpenAI from langchain.chains import LLMChain from langchain.prompts import PromptTemplate import time # 1. 自定义回调类 class MyCustomCallback(BaseCallbackHandler): def on_llm_start(self, serialized, prompts, **kwargs): # 模型调用开始时触发 self.start_time = time.time() print("\n=== [日志] 模型调用开始 ===") print(f"收到的Prompt前100字符：\n{prompts[0][:100]}...") def on_llm_end(self, response, **kwargs): # 模型调用结束时触发 duration = time.time() - self.start_time print("\n=== [日志] 模型调用结束 ===") print(f"耗时：{duration:.2f} 秒") print(f"模型回复前100字符：\n{response.generations[0][0].text[:100]}...") # 2. 初始化模型 + 自定义回调 llm = OpenAI( temperature=0, callbacks=[MyCustomCallback()] ) # 3. 组装链并执行 prompt = PromptTemplate(input_variables=["topic"], template="解释一下：{topic}") chain = LLMChain(llm=llm, prompt=prompt) chain.run("LangChain的持久化")

     ---

     作业 3：用FileChatMessageHistory实现对话持久化

     第 1 步：第一次运行（保存对话）

     python

     运行

     from langchain_openai import OpenAI from langchain.chains import ConversationChain from langchain.memory import ConversationBufferMemory from langchain.memory.chat_message_histories import FileChatMessageHistory # 1. 初始化文件持久化历史 chat_history = FileChatMessageHistory("chat_history.json") memory = ConversationBufferMemory( chat_memory=chat_history, return_messages=True ) # 2. 初始化对话链 llm = OpenAI(temperature=0) conv_chain = ConversationChain(llm=llm, memory=memory) # 3. 对话（会自动保存到文件） print(conv_chain.predict(input="你好，我在学LangChain的持久化")) print(conv_chain.predict(input="程序重启后对话会丢吗？")) # 查看保存的消息 print("\n当前对话历史：", chat_history.messages)

     第 2 步：第二次运行（加载历史，接着聊）

     python

     运行

     from langchain_openai import OpenAI from langchain.chains import ConversationChain from langchain.memory import ConversationBufferMemory from langchain.memory.chat_message_histories import FileChatMessageHistory # 1. 从文件加载历史对话 chat_history = FileChatMessageHistory("chat_history.json") memory = ConversationBufferMemory( chat_memory=chat_history, return_messages=True ) # 2. 初始化对话链 llm = OpenAI(temperature=0) conv_chain = ConversationChain(llm=llm, memory=memory) # 3. 接着之前的对话聊 print(conv_chain.predict(input="你还记得我们刚才聊了什么吗？")) # 验证：能看到之前的对话历史 print("\n加载后的对话历史：", chat_history.messages)