今天假设鲜花运营智能客服ChatBot通常会接到两大类问题。
- 鲜花养护（保持花的健康、如何浇水、施肥等）
- 鲜花装饰（如何搭配花、如何装饰场地等）
你的需求是，如果接到的是第一类问题，你要给ChatBot A指示；如果接到第二类的问题，你要给ChatBot B指示。
我们可以根据这两个场景来构建两个不同的目标链。遇到不同类型的问题，LangChain会通过RouterChain来自动引导大语言模型选择不同的模板。
整体框架
RouterChain，也叫路由链，能动态选择用于给定输入的下一个链。根据用户的问题内容，首先使用路由器链确定问题更适合哪个处理模板，然后将问题发送到该处理模板进行回答。如果问题不适合任何已定义的处理模板，它会被发送到默认链。
在这里，用LLMRouterChain和MultiPromptChain（也是一种路由链）组合实现路由功能，该MultiPromptChain会调用LLMRouterChain选择与给定问题最相关的提示，然后使用该提示回答问题。
具体步骤如下：
-
构建处理模板：为鲜花护理和鲜花装饰分别定义两个字符串模板。
-
提示信息：使用一个列表来组织和存储这两个处理模板的关键信息，如模板的键、描述和实际内容。 初始化语言模型：导入并实例化语言模型。
-
构建目标链：根据提示信息中的每个模板构建了对应的LLMChain，并存储在一个字典中。
-
构建LLM路由链：这是决策的核心部分。首先，它根据提示信息构建了一个路由模板，然后使用这个模板创建了一个LLMRouterChain。
-
构建默认链：如果输入不适合任何已定义的处理模板，这个默认链会被触发。
-
构建多提示链：使用MultiPromptChain将LLM路由链、目标链和默认链组合在一起，形成一个完整的决策系统。
用路由链自动选择处理模板的具体代码实现。
构建提示信息的模板
首先，针对两种场景，构建两个提示信息的模板。
- 构建两个场景的模版
flower_care_template = """你是一个经验丰富的园丁，擅长解答关于养花育花的问题。
下面是需要你来回答的问题:
{input}"""
flower_deco_template = """你是一位网红插花大师，擅长解答关于鲜花装饰的问题。
下面是需要你来回答的问题:
{input}"""
- 构建提示信息 prompt_infos = [
{
"key": "flower_care",
"description": "适合回答关于鲜花护理的问题",
"template": flower_care_template,
},
{
"key": "flower_decoration",
"description": "适合回答关于鲜花装饰的问题",
"template": flower_deco_template,
}]
初始化语言模型
from langchain.llms import OpenAI
import os
os.environ["OPENAI_API_KEY"] = '你的OpenAI Key'
llm = OpenAI()
