推荐语

LangChain与SchedulerX的高效结合，打造强大的AI应用开发和调度。

核心内容：
1. LangChain框架和Dify平台的介绍及其在AI应用开发中的作用
2. 任务调度系统SchedulerX如何托管AI任务并提高资源利用率
3. 利用SchedulerX管理Prompt和定时调度AI任务的实用方法

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

LangChain[1]是开源领域最流行的大模型编程开发框架，支持通过python/js语言快速构建AI应用。dify[2]是开源的图形化大模型应用开发平台，可以通过可视化的画布拖拖拽拽快速构建AI Agent/工作流。

通过任务调度系统托管AI任务，可以进行脚本版本管理、定时调度、提升资源利用率、限流控制、可运维、可观测。

由于篇幅有限，本文章主要介绍通过任务调度SchedulerX[3]进行LangChain脚本的管理和调度，Dify工作流调度将在下一篇介绍。

AI任务有许多业务场景，需要定时调度，比如：

• 风险监控：每分钟扫描风险数据，通过大模型分析是否有风险事件，并发出报警。
• 数据分析：每天拉取金融数据，通过大模型进行数据分析，给出投资者建议。
• 内容生成：每天帮我做工作总结，写日报。

LangChain任务基本上都是python脚本，可以使用SchedulerX的脚本任务[4]托管脚本，并进行定时配置

任务调度SchedulerX还支持脚本的历史版本，方便进行历史版本的对比和回滚：

Prompt（提示词）对于AI任务来说非常重要，为了得到好的效果，可能需要经常修改Prompt，将Prompt写在脚本中会非常麻烦。我们可以通过SchedulerX的任务参数来管理Prompt，在LangChain脚本中通过SchedulerX提供的系统参数（#{schedulerx.jobParameters}）动态获取任务参数，来代替Prompt或者PromptTemplate参数。

Prompt写法

from langchain_community.llms import Tongyifrom langchain.prompts import PromptTemplatefrom langchain.chains import LLMChain
llm = Tongyi(model="qwen-plus")question = "#{schedulerx.jobParameters}"print("question:" + question)
results = llm.invoke(question)print(results)

PromptTemplate写法

from langchain_community.llms import Tongyifrom langchain.prompts import PromptTemplatefrom langchain.chains import LLMChain
llm = Tongyi(model="qwen-plus")prompt = PromptTemplate(template="请帮我解答这个问题：{question}")
chain = LLMChain(llm=llm, prompt=prompt)question = "#{schedulerx.jobParameters}"print("question:" + question)
results = chain.invoke(question)print(results)

SchedulerX也支持通过控制台手动运行或者API调度，动态设置新的Prompt，以上面PromptTemplate写法为例，通过控制台手动运行任务，动态传递任务参数，该任务参数会覆盖任务配置中的静态任务参数。

SchedulerX执行脚本，当前支持两种模式（未来会支持更多的运行时）：

• 脚本任务：在ECS上部署schedulerx-agent，每次执行fork一个子进程执行脚本，适合任务数比较多、调度频繁、资源消耗少的场景。
• K8s任务[5]：在K8s上部署schedulerx-agent，每次执行弹一个Pod执行脚本，适合任务数不多、调度不频繁、资源消耗大的场景。

两种运行时适合不同的场景，结合起来使用，可以提升资源利用率。

如上图所示，通过ECS执行脚本以及通过K8s执行脚本，主要区别总结下表：

业务场景：比如有一堆离线任务，每天0点之后执行，处理上一天的数据，核心任务必须在早上9点上班前全部跑完。业务同学可能会把任务的调度时间都设置成同一时刻，比如每天00:30执行。

当大量任务同时调度的时候，会把ECS资源打满。虽然用K8s跑脚本可以解决一部分问题，但是突增的流量一样会把下游（比如数据库）打满。所以针对这种突增流量的场景，最佳解决方案是使用限流。通过限流控制解决定时调度不均特别是突发流量的场景，其实也是一种提升资源利用率的解决方案。

如上图所示，任务调度SchedulerX支持应用级别的限流控制：

当前大模型调用不是很稳定，大家平时和大模型聊天，可能会经常遇到token限流了，或者是后端服务异常了。这个时候我们只要过一会重新尝试下就好了。

任务调度SchedulerX自带任务失败自动重试功能，可以通过控制台动态配置，经过我们验证，使用失败重试功能，LangChain脚本因为后端大模型限流或者服务不可用导致的失败率大大降低，成功率可以提升至少一个9。

SchedulerX提供可视化任务编排能力，如果你的LangChain脚本有依赖关系，可以进行任务编排。甚至是不同任务类型的任务，都可以进行编排。

如上图所示：

任务调度SchedulerX默认集成了各种云产品，提供企业级可观测能力，包括但不限于如下功能。

调度大盘可以看到任务执行的总体情况，支持按照命名空间和应用过滤筛选。

任务如果执行失败了，需要快速响应处理，否则容易产生故障。SchedulerX支持应用级别报警，也能精细到每个任务级别，如下图所示是任务级别报警配置。

• 联系人管理：支持联系人和联系人组管理，支持同步云监控联系人。
• 报警方式：失败报警、超时报警、成功通知。
• 报警渠道：邮件、webhook、短信、电话。

当任务执行失败了，需要查看任务运行的日志分析问题。只要接入schedulerx-agent运行脚本，默认就集成了日志服务，可以看到脚本运行的所有标准输出和异常。

在AI时代，AI任务调度面临着新的机遇和挑战，我们总结了一些常见的需求如下：

• AI任务管理：可以通过任务调度配置prompt模版、模型类型、输出格式等参数，通过控制台可以动态调整。
  
• 模型Failover：通过任务调度系统托管各种模型，如果某个模型调用失败，可以自动重试其他的模型，进一步提升任务执行的成功率。
• Tokens限流：每个任务返回消耗的tokens，任务调度系统能做到token级别的限流，防止触发下游大模型的API限流。
• AI任务批处理：AI任务执行时间比较长，特别是推理型模型时间更加长，通过任务调度系统进行任务拆分及分布式处理，加快任务执行速度。
• AI可观测：可以看到每个任务的执行耗时、消耗的tokens、输入和输出。如果是工作流，可以看到每个node级别的耗时、tokens消耗、输入和输出。

如果您有AI任务调度方面的其他诉求，欢迎联系我们，钉钉群号：23103656