5分钟了解LangChain的路由链

上上篇文章《5分钟理透LangChain的Chain》里用到了顺序链SequentialChain，它可以将多个链按顺序串起来。本文介绍LangChain里的另外1个重要的链：路由链。

1. 路由链概念

**路由链（RouterChain）**是由LLM根据输入的Prompt去选择具体的某个链。路由链中一般会存在多个Prompt，Prompt结合LLM决定下一步选择哪个链。

2. 路由链的使用场景

路由链一般涉及到2个核心类，LLMRouterChain和MultiPromptChain，一起看看官网介绍：

LLMRouterChain：使用LLM路由到可能的选项中。
MultiPromptChain：该链可用于在多个提示词之间路由输入，当你有多个提示词并且只想路由到其中一个时，可以用这个链。

一般使用路由链时，有固定的几个步骤：

准备多个链的Prompt提示词，然后各自封装成链。
将可能路由到的链封装到destination_chains里。
构建多提示词和RouterChain ，负责选择下一个要调用的链。
构建默认链。
使用MultiPromptChain选择某个链，然后再去执行此链。

3. 使用路由链的案例

假设我们有一个常见的场景，根据用户的输入内容选择不同的处理路径，如果没有选到合适的链，则使用默认链。比如：根据用户的输入问题，选择不同的链去处理，如果没选到合适的，则走默认链。

具体代码如下：

from langchain_openai import ChatOpenAI

model = ChatOpenAI(

    model_name="gpt-3.5-turbo",

    openai_api_key="sk-xxxx",

    openai_api_base="https://api.302.ai/v1",

)

from langchain.chains.router import LLMRouterChain, MultiPromptChain

from langchain.chains.router.llm_router import RouterOutputParser

from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE

from langchain.chains import LLMChain, ConversationChain

from langchain.prompts import PromptTemplate

# 准备2条目的链：一条物理链，一条数学链

# 1. 物理链

physics_template = """

你是一位物理学家，擅长回答物理相关的问题，当你不知道问题的答案时，你就回答不知道。

具体问题如下：

{input}

"""

physics_prompt = PromptTemplate.from_template(physics_template)

physics_chain = LLMChain(llm=model, prompt=physics_prompt)

# 2. 数学链

math_template = """

你是一个数学家，擅长回答数学相关的问题，当你不知道问题的答案时，你就回答不知道。

具体问题如下：

{input}

"""

math_prompt = PromptTemplate.from_template(math_template)

math_chain = LLMChain(llm=model, prompt=math_prompt)

# 3. 英语链

english_template = """

你是一个非常厉害的英语老师，擅长回答英语相关的问题，当你不知道问题的答案时，你就回答不知道。

具体问题如下：

{input}

"""

english_prompt = PromptTemplate.from_template(english_template)

english_chain = LLMChain(llm=model, prompt=english_prompt)

######### 所有可能的目的链

destination_chains = {}

destination_chains["physics"] = physics_chain

destination_chains["math"] = math_chain

destination_chains["english"] = english_chain

######### 默认链

default_chain = ConversationChain(llm=model, output_key="text")

# 让多路由模板 能找到合适的 提示词模板

destinations_template_str = """

physics:擅长回答物理问题

math:擅长回答数学问题

english:擅长回答英语问题

"""

router_template = MULTI_PROMPT_ROUTER_TEMPLATE.format(

    destinations=destinations_template_str

)

# 通过路由提示词模板，构建路由提示词

router_prompt = PromptTemplate(

    template=router_template,

    input_variables=["input"],

    output_parser=RouterOutputParser(),

)

######### 路由链

router_chain = LLMRouterChain.from_llm(llm=model, prompt=router_prompt)

######### 最终的链

multi_prompt_chain = MultiPromptChain(

    router_chain=router_chain,

    destination_chains=destination_chains,

    default_chain=default_chain,

    verbose=True,

)

# multi_prompt_chain.invoke({"input": "重力加速度是多少？"})

# multi_prompt_chain.invoke("y=x^2+2x+1的导数是多少？")

multi_prompt_chain.invoke("将以下英文翻译成中文，只输出中文翻译结果：\n The largest community building the future of LLM apps.")

# multi_prompt_chain.invoke("你是怎么理解java的面向对象的思想的？")

执行结果跟我们预想的一致，执行结果如下：

4. 总结

这篇博客主要介绍了LangChain中的**路由链（RouterChain）**的概念，它主要用在不确定性的场景下，根据提示词，选择具体的某个链去执行。还聊了它的使用场景和具体案例，希望对你有帮助！

=====>>>>>> 关于我 <<<<<<=====

本篇完结！欢迎点赞关注收藏！！！

原文链接：https://mp.weixin.qq.com/s/zIu0DjVgbv7R4mMCpETSNA