第6节：路由链（Router Chain）详解：小白也能看懂的教程

什么是路由链？

路由链（Router Chain）是 LangChain 框架中的一个重要概念，它的作用就像一个"智能调度员"。想象一下你去银行办事，门口有一个引导员，他会根据你要办的业务把你引导到对应的窗口。路由链就是这样的"引导员"，它会根据用户的问题，自动选择最合适的专家来回答。

比如：
你问游泳相关问题 → 路由链引导到"游泳教练"
你问跑步相关问题 → 路由链引导到"跑步教练"
你问篮球相关问题 → 路由链引导到"篮球教练"

核心代码解析

1. 定义路由信息结构体

type MultiPromptInfo struct {
    Key         string                 // 问题类型的标识符（比如"swimming"）
    Description string                 // 描述这个专家是做什么的
    Prompt      prompts.FormatPrompter // 这个专家具体的提示词模板
}

这个结构体就像一个"专家档案"，记录了每个专家的：
唯一标识（Key）
专业介绍（Description）
回答问题的模板（Prompt）

2. 路由链的核心结构

type MultiChains struct {
    LLMChains    *chains.LLMChain       // 主路由链，负责判断问题类型
    Routers      map[string]chains.Chain // 存储所有专家的实际处理链
    Destinations map[string]string       // 存储所有可用的专家标识和描述
    OutputParser outputparser.Structured // 结构化输出解析器
}

这就像一个调度中心的完整配置：
LLMChains: 调度员（主路由）
Routers: 所有专家的实际工作台
Destinations: 所有可选专家的名单
OutputParser: 格式化解析工具

3. 创建路由链

func NewMultiChains(llm llms.Model, multiPrompts []*MultiPromptInfo) *MultiChains {
    var (
        routerLLChain = make(map[string]chains.Chain, len(multiPrompts))
        destination   = make(map[string]string, len(multiPrompts))
    )
    for i, _ := range multiPrompts {
        // 为每个专家创建专门的处理链
        routerLLChain[multiPrompts[i].Key] = chains.NewLLMChain(llm, multiPrompts[i].Prompt)
        // 记录专家标识和描述的对应关系
        destination[multiPrompts[i].Key] = multiPrompts[i].Description
    }
    return &MultiChains{
        Destinations: destination,
        LLMChains:    chains.NewLLMChain(llm, _prompt), // 创建主路由链
        Routers:      routerLLChain,
        OutputParser: _outputparser,
    }
}

这段代码就像在建立一个专家团队：
1.为每个专家创建专门的工作台（处理链）
2.建立专家名单（标识和描述的对应关系）
3.设置总调度台（主路由链）

4. 路由决策过程

func (m MultiChains) Call(ctx context.Context, inputs map[string]any, options ...chains.ChainCallOption) (map[string]any, error) {
    input := inputs[_input]
    // 让主路由链判断应该交给哪个专家处理
    res, err := chains.Predict(ctx, m.LLMChains, map[string]any{
        _input:        input,
        _destinations: m.Destinations,
        _formatting:   m.OutputParser.GetFormatInstructions(),
    }, options...)
    if err != nil {
        return nil, err
    }
    // 根据判断结果交给对应专家处理
    return m.processLLMResult(ctx, res)
}

这就像调度员的工作流程：
1.接收用户问题
2.查看所有专家的资料
3.判断应该交给哪个专家
4.把问题转交给对应专家

5. 专家处理过程

func (m *MultiChains) processLLMResult(ctx context.Context, text string) (map[string]any, error) {
    // 解析调度员的判断结果
    data, err := m.OutputParser.Parse(text)
    if err != nil {
        return nil, err
    }
    next := data.(map[string]string)
    
    // 获取调度员指定的专家标识
    destination := next[_destinations]
    // 获取给专家的具体问题
    nextInput := next[_nextInput]
    
    // 找到对应的专家并让专家回答问题
    router := m.Routers[destination]
    return chains.Call(ctx, router, map[string]any{
        _input: nextInput,
    })
}

这就像专家处理问题的过程：
1.理解调度员的安排（解析判断结果）
2.找到对应的专家
3.把具体问题交给专家回答

实际使用示例

func TestRouterChains(t *testing.T) {
    // 定义专家团队
    multiPromptInfos := []*MultiPromptInfo{
        {
            Key:         "swimming",                            // 游泳专家标识
            Description: "你是一个资深的游泳教练，精通游泳相关知识",     // 专家介绍
            Prompt:      prompts.NewPromptTemplate(              // 专家回答模板
                "你是一个资深的游泳教练，精通游泳相关知识 请根据用户输入问题进行回答 \n {{.input}}", 
                []string{"input"}),
        },
        {
            Key:         "racing",                              // 跑步专家标识
            Description: "你是一个资深的赛跑冠军，精通赛跑相关知识",      // 专家介绍
            Prompt:      prompts.NewPromptTemplate(              // 专家回答模板
                "你是一个资深的赛跑冠军，精通赛跑相关知识 请根据用户输入问题进行回答 \n {{.input}}", 
                []string{"input"}),
        },
    }

    // 创建LLM模型
    llm := getLLmOpenaiClientNew(t)
    // 创建路由链系统
    routerChains := NewMultiChains(llm, multiPromptInfos)
    // 用户提问并获取答案
    predict, err := chains.Call(context.Background(), routerChains, map[string]any{"input": "请问如何游泳？"})
    if err != nil {
        panic(err)
        return
    }
    fmt.Println(predict)
}

工作流程总结

1.初始化阶段：

创建各个领域的专家（游泳教练、跑步教练等）
为每个专家设置专门的处理模板
建立调度系统

2.处理用户问题阶段：

用户提出问题："请问如何游泳？"
调度员分析问题内容
调度员判断应该交给游泳教练处理
将问题转给游泳教练
游泳教练根据专业模板回答问题
返回最终答案给用户

为什么这样设计？

这种设计有几个重要优势：

专业性强：每个专家只处理自己擅长的领域，回答更专业
扩展性好：可以轻松添加新的专家领域
智能化：自动判断问题类型，无需用户手动选择
解耦合：各个专家相互独立，互不影响

常见问题和解决方案

为什么Key建议用英文？
虽然Key可以用中文，但建议用英文，因为：

大多数LLM模型对英文更敏感，处理更准确
英文标识更简洁，减少解析错误
避免中文编码问题

如果LLM判断错误怎么办？
可以通过优化提示词模板来提高判断准确性：

给出更明确的判断标准
提供更多示例
明确输出格式要求

总结

路由链就像一个智能的"问题分发系统"，它通过以下步骤工作：

建立专家团队
设置调度中心
接收用户问题
智能分发给合适专家
返回专家答案

这种设计模式在实际应用中非常有用，比如客服系统、智能助手、专业咨询系统等场景都可以采用类似的架构

源代码

https://download.csdn.net/download/qq_36466946/91999333

posted @ 2025-09-23 18:03 phpwyl 阅读(29) 评论(0) 收藏举报

刷新页面返回顶部

phpwyl

第6节：路由链（Router Chain）详解：小白也能看懂的教程

公告