盧偉冰長文解析K60至尊版 對Redmi有著里程碑式的意義
在今天的Redmi后性能時代戰略發布會結束之后，Redmi總經理盧偉冰又帶來了一篇長文，詳解了為什么 Redmi 要開啟后性能時代？為什么選擇和 MediaTek、Pixelworks 深度合作？以及后性
上篇文章《5分鐘理透LangChain的Chain》里用到了順序鏈SequentialChain，它可以將多個鏈按順序串起來。本文介紹LangChain里的另外1個重要的鏈：路由鏈。
路由鏈（RouterChain）是由LLM根據輸入的Prompt去選擇具體的某個鏈。路由鏈中一般會存在多個Prompt，Prompt結合LLM決定下一步選擇哪個鏈。
路由鏈一般涉及到2個核心類，LLMRouterChain和MultiPromptChain，一起看看官網介紹：
一般使用路由鏈時，有固定的幾個步驟：
3. 使用路由鏈的案例
假設我們有一個常見的場景，根據用戶的輸入內容選擇不同的處理路徑，如果沒有選到合適的鏈，則使用默認鏈。比如：根據用戶的輸入問題，選擇不同的鏈去處理，如果沒選到合適的，則走默認鏈。
具體代碼如下：
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# 準備2條目的鏈：一條物理鏈，一條數學鏈# 1. 物理鏈physics_template = """你是一位物理學家，擅長回答物理相關的問題，當你不知道問題的答案時，你就回答不知道。具體問題如下：{input}"""physics_prompt = PromptTemplate.from_template(physics_template)physics_chain = LLMChain(llm=model, prompt=physics_prompt)# 2. 數學鏈math_template = """你是一個數學家，擅長回答數學相關的問題，當你不知道問題的答案時，你就回答不知道。具體問題如下：{input}"""math_prompt = PromptTemplate.from_template(math_template)math_chain = LLMChain(llm=model, prompt=math_prompt)# 3. 英語鏈english_template = """你是一個非常厲害的英語老師，擅長回答英語相關的問題，當你不知道問題的答案時，你就回答不知道。具體問題如下：{input}"""english_prompt = PromptTemplate.from_template(english_template)english_chain = LLMChain(llm=model, prompt=english_prompt)######### 所有可能的目的鏈destination_chains = {}destination_chains["physics"] = physics_chaindestination_chains["math"] = math_chaindestination_chains["english"] = english_chain######### 默認鏈default_chain = ConversationChain(llm=model, output_key="text")# 讓多路由模板 能找到合適的 提示詞模板destinations_template_str = """physics:擅長回答物理問題math:擅長回答數學問題english:擅長回答英語問題"""router_template = MULTI_PROMPT_ROUTER_TEMPLATE.format( destinations=destinations_template_str)# 通過路由提示詞模板，構建路由提示詞router_prompt = PromptTemplate( template=router_template, input_variables=["input"], output_parser=RouterOutputParser(),)######### 路由鏈router_chain = LLMRouterChain.from_llm(llm=model, prompt=router_prompt)######### 最終的鏈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的導數是多少？")multi_prompt_chain.invoke("將以下英文翻譯成中文，只輸出中文翻譯結果：/n The largest community building the future of LLM apps.")# multi_prompt_chain.invoke("你是怎么理解java的面向對象的思想的？")執行結果跟我們預想的一致，執行結果如下：
這篇博客主要介紹了LangChain中的路由鏈（RouterChain）的概念，它主要用在不確定性的場景下，根據提示詞，選擇具體的某個鏈去執行。還聊了它的使用場景和具體案例，希望對你有幫助！
本文鏈接：http://www.tebozhan.com/showinfo-26-96425-0.html五分鐘了解 LangChain 的路由鏈
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號