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。
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。
路由链一般涉及到2个核心类，LLMRouterChain和MultiPromptChain，一起看看官网介绍：
一般使用路由链时，有固定的几个步骤：
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 ChatOpenAImodel = 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, MultiPromptChainfrom langchain.chains.router.llm_router import RouterOutputParserfrom langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATEfrom langchain.chains import LLMChain, ConversationChainfrom 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_chaindestination_chains["math"] = math_chaindestination_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：
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！
本文链接：//www.dmpip.com//www.dmpip.com/showinfo-26-96425-0.html五分钟了解 LangChain 的路由链
声明：本网页内容旨在传播知识，若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。邮件：2376512515@qq.com
Copyright © 2016-2023 天津谷骐科技有限公司 版权所有 sitemap.xml
违法及侵权请联系：2376512515@qq.com 津ICP备18001702号
津公网安备 12010102000574号
