使用路由器链实现条件逻辑

应用程序通常需要动态行为，而不是执行预定义、线性的步骤序列。举例来说，设想一个旨在回答学术问题的系统。关于量子力学的问题，与关于罗马帝国的问题，需要不同的上下文和语气。如果都通过相同的通用提示和模型处理，将产生次优结果。因此，需要一种机制来智能地将输入路由到最适合的处理路径。

这正是路由工作流程旨在解决的问题。它为您的工作流程引入条件逻辑，允许应用程序根据输入选择多条可能路径中的一条。路由器不再是 $g(f(\text{Input}))$ 这样的固定序列，而是实现了一种条件结构，类似于编程中的 if-else 语句。大型语言模型 (LLM) 被用作决策引擎来引导执行流程。

路由器链的架构

路由工作流程由两个主要组成部分构成：

1. 路由链：这是一条负责分析初始输入并决定将其发送到哪个目标的链。此链的提示会指示大型语言模型 (LLM) 对输入进行分类，并返回相应目标类别的名称。
2. 目标链：这是一组链，每条链都为特定任务设计。对于我们的学术助手示例，我们可能有 physics_chain、history_chain 和 math_chain。路由器根据其分析选择其中一条来执行。

整个过程如下进行：用户的输入首先传递给路由链。路由链的大型语言模型 (LLM) 输出一个目标名称。系统随后使用此名称从其集合中查找对应的目标链，并使用原始输入执行它。

输入首先由路由大型语言模型 (LLM) 进行评估，该模型选择几条专用目标链中的一条来生成最终输出。

构建多提示路由器

我们来构建一个路由工作流程的实用示例，该流程将问题发送给不同的专家：物理学家、数学家和历史学家。

首先，我们为目标链定义提示。每个提示都引导大型语言模型 (LLM) 采用特定的角色。

import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 假设您的环境中已设置 OPENAI_API_KEY
# os.environ["OPENAI_API_KEY"] = "your-api-key"

llm = ChatOpenAI(temperature=0, model="gpt-4o")

physics_template = """你是一位非常聪明的物理学教授。
你擅长以简洁易懂的方式回答物理问题。
当你不知道一个问题的答案时，你会承认不知道。

这是一个问题：
{input}"""

math_template = """你是一位非常出色的数学家。你擅长回答数学问题。
你之所以如此出色，是因为你能够将难题分解成其组成部分，
回答这些组成部分，然后将它们组合起来回答更广泛的问题。

这是一个问题：
{input}"""

history_template = """你是一位非常出色的历史学家。你对历史有着丰富的知识和卓越的记忆力。
你尤其擅长通过讲故事的方式回答问题。

这是一个问题：
{input}"""

prompt_infos = [
    {
        "name": "physics",
        "description": "适合回答物理问题",
        "prompt_template": physics_template,
    },
    {
        "name": "math",
        "description": "适合回答数学问题",
        "prompt_template": math_template,
    },
    {
        "name": "history",
        "description": "适合回答历史问题",
        "prompt_template": history_template,
    },
]

接下来，我们使用管道 | 语法创建目标链。每条链由一个提示、大型语言模型 (LLM) 和一个输出解析器组成。

destination_chains = {}
for p_info in prompt_infos:
    name = p_info["name"]
    prompt_template = p_info["prompt_template"]
    prompt = PromptTemplate.from_template(template=prompt_template)
    chain = prompt | llm | StrOutputParser()
    destination_chains[name] = chain

现在是核心路由逻辑。我们定义一个提示，指示大型语言模型 (LLM) 充当分类器。它应该只输出最符合输入的类别名称。

destinations = [f"{p['name']}: {p['description']}" for p in prompt_infos]
destinations_str = "\n".join(destinations)

router_template = """根据以下用户输入，将其分类为关于 {options} 中的一项。

选择描述：
{destinations}

返回所选项的名称，仅此而已。

输入：
{input}
"""

router_prompt = PromptTemplate.from_template(router_template)
router_prompt = router_prompt.partial(destinations=destinations_str, options=", ".join([p['name'] for p in prompt_infos]))

router_chain = router_prompt | llm | StrOutputParser()

最后，我们使用 RunnableLambda 组装所有部分。我们定义一个 route 函数，它接收路由器链的输出（类别名称），并返回相应的目标链。

from langchain_core.runnables import RunnableLambda, RunnablePassthrough

def route(info):
    # 路由链的输出通过 info["destination"] 传递到此处
    destination = info["destination"].strip().lower()
    
    # 从字典中选择链
    if destination in destination_chains:
        return destination_chains[destination]
    else:
        # 如果目前不明确，则回退到物理链
        return destination_chains["physics"]

# 我们构建完整的链：
# 1. 运行路由器并传递输入
# 2. 使用 route 函数选择下一条链
chain = {
    "destination": router_chain,
    "input": RunnablePassthrough()
} | RunnableLambda(route)

我们用几个不同的输入来测试一下。

# 用物理问题进行测试
response_physics = chain.invoke("What is the formula for gravitational potential energy?")
print(f"物理响应: {response_physics}")

# 用历史问题进行测试
response_history = chain.invoke("When was the Battle of Hastings?")
print(f"历史响应: {response_history}")

当你运行物理问题时，路由器正确识别出 physics 类别，并由专门的物理提示生成输出：

物理响应: 行星表面附近引力势能 (U) 的公式是：
U = mgh
其中：
- m 是物体的质量。
- g 是重力加速度。
- h 是物体相对于参考点的高度。

同样，历史问题也被正确地路由到历史链。这种动态路由使得应用程序能够使用专用提示，显著提升其响应的质量和相关性。

处理默认情况

一个设计良好的系统必须妥善处理歧义。如果用户提出的问题不完全符合任何预定义类别，例如“数学史是什么？”路由器可能难以做出明确选择。

为了解决这个问题，我们可以定义一条默认链，并更新我们的路由逻辑，使其在路由器的输出与已知目标不匹配时回退到该链。

以下是如何在我们的示例中添加默认链：

# 创建一个通用链作为回退
default_prompt = PromptTemplate.from_template("{input}")
default_chain = default_prompt | llm | StrOutputParser()

def route(info):
    destination = info["destination"].strip().lower()
    # 使用 .get() 方法提供默认回退
    return destination_chains.get(destination, default_chain)

# 使用更新后的路由逻辑重新初始化完整链
chain = {
    "destination": router_chain,
    "input": RunnablePassthrough()
} | RunnableLambda(route)

加入此功能后，路由器无法确定分类（或输出未知类别）的任何输入都将由 default_chain 处理，从而使应用程序更加一致。这种模式提供了一种有效的方法，通过超越简单的线性序列并整合条件式、逻辑驱动的工作流程，来构建更精巧、更智能的应用程序。