在构建大语言模型应用时LangChain 提供了强大的回调机制，帮助我们实现对整个执行链路的监控、调试和性Neng分析。本章将深入探讨如何通过 LangChain 的回调系统，实现对链路执行过程的全面监控和异常处理。

1. 回调机制的核心作用

LangChain 的回调机制是实现可观测性的核心工具。它允许我们在 LLM 应用执行的各个阶段插入自定义逻辑，从而实现日志记录、性Neng监控、错误处理等功Neng。通过回调，我们Ke以“监听”整个执行链路，包括链的开始、LLM 调用、工具执行等关键节点，从而让 AI 应用的执行过程“kan得见、摸得着”。

2. 内置回调的使用

LangChain 内置了多种常用的回调处理器，无需自定义，直接导入即可使用。这些回调覆盖了日志、Token 统计、流式输出等高频场景，极大降低了开发成本。 2.1 StdOutCallbackHandler

Zui基础的内置回调，用于将执行过程中的关键事件打印到控制台，适合开发调试阶段快速排查问题。

2.2 TokenCountingCallbackHandler

用于统计 LLM 调用过程中的 Token 消耗，对于控制成本至关重要，无需手动计算，回调自动统计。

2.3 StreamingStdOutCallbackHandler

在 LLM 生成内容时实现“边生成边输出”的流式效果，避免用户长时间等待，提升交互体验。常见于聊天机器人、实时问答等场景，需配合支持流式的 LLM。

3. 自定义回调

LangChain 支持将多个回调组合成一个列表，通过 config 参数传入，多个回调会按顺序执行。常用组合场景：日志记录 + Token 统计 + 监控上报。

3.1 回调组合与优先级

当多个回调同时监听同一个事件时执行顺序和优先级遵循以下规则：

作用域优先级回调的作用域分为“全局回调”和“局部回调”，局部回调优先级高于全局回调。

顺序优先级组合回调的列表中，靠前的回调先执行。

4. 异步回调与性Neng优化

LangChain 支持异步调用，对应的异步回调Neng避免阻塞运行循环，提升应用并发性Neng。Ru果在异步场景中使用同步 CallbackHandler，虽然Neng运行，但底层会通过 run_in_executor 调用，可Neng引发线程安全问题，甚至影响性Neng。

5. 错误处理与异常捕获

通过重写 BaseCallbackHandler的 on_llm_erroron_chain_erroron_tool_error 方法，捕获不同环节的异常，实现错误日志记录、告警等逻辑。

6. 性Neng监控与错误处理

LangChain 应用的执行链路较长，每一步dou可Neng出现错误。错误回调的核心作用是捕获这些异常，实现优雅降级、自动重试、错误日志记录，避免应用直接崩溃。

7. 实战：构建带审计日志的企业级 LangChain 应用

本节结合前面的知识点，实战构建一个带审计日志的企业级 LangChain 应用，核心需求：

记录用户输入、LLM 输出、调用时间、Token 消耗；

实现流式输出，提升用户体验；

性Neng监控：统计各环节耗时、调用频率，为性Neng优化提供数据支撑；

错误处理，避免应用崩溃；

全链路可视化：在控制台查kan完整的调用链路，直观kan到每一步的输入输出、耗时、Token 消耗。

8. 代码示例

from langchain_core.callbacks import BaseCallbackHandler
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
# 自定义错误回调，捕获所有环节的异常
class ErrorCallback:
    # 捕获LLM调用异常
    def on_llm_error:
        print.__name__} - {str}")
        # 可添加日志写入、告警上报逻辑
    # 捕获链执行异常
    def on_chain_error:
        print.__name__} - {str}")
    # 捕获工具调用异常
    def on_tool_error:
        print.__name__} - {str}")
# 测试异常捕获
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    api_key="错误的API Key",  # 故意设置错误，触发异常
    callbacks=
)
prompt = ChatPromptTemplate.from_template
chain = prompt | llm
try:
    chain.invoke
except Exception as e:
    print)

9.

LangChain 的回调机制为开发者提供了强大的可观测性支持，通过内置回调和自定义回调的组合，Ke以实现日志记录、性Neng监控、Token 统计、错误处理等关键功Neng。通过合理使用回调机制，我们Ke以构建出一套可观测、可监控、可 的 AI 应用系统。

---