LLMChain使用 | RouterChain的使用 - 用本地大模型搭建多Agents

news2024/9/22 18:46:24

单个本地大模型搭建参考博客

单个Chain：面对一个需求，我们需要创建一个llmchain，设置一个prompt模板，这个chain能够接收一个用户input，并输出一个结果；
多个Chain：考虑到同时面对多个需求，我们需要设置多个Chain。
Router Chain往往会配合下游的destination chain一起使用，成为“一个网关路由+多个下子链”的架构，实现根据用户输入，自动路由到最相关的下游chain

下图中是一个RouterChian使用场景的示意图，我们可以看到，一个RouterChain连接了多个下游的子链，每个链都是一个小应用，当RouterChain接收用户的输入，其可以根据用户输入路由到和输入最相关的子链上，并由子链产生输出；

例如，用户输入是“请帮我写一首诗”，当RouterChain接收后，会自动路由到“诗人”这个子链，由它来输出结果。

在这里插入图片描述

2.RouterChain构成

根据Langchain的介绍，标准的RouterChain应用应包含两个标准组成部分：

路由链RouterChain：其本身就是一个chain应用，能够根据用户输入进行下游子链的选择；Langchain框架提供了多种RouterChain，其中着重介绍了LLMRouterChain 和 EmbeddingRouterChain两种：
- LLMRouterChain 将用户输入放进大语言模型，通过Prompt的形式让大语言模型来进行路由
- EmbeddingRouterChain 通过向量搜索的方式，将用户输入
子链DestinationChain：直译为目标链，即可路由到的链，按照上图，我们会存在4个目标链，分别是lawyer chain，sales chain，english teacher chain 和 poet chain

3.MultiPromptChain构成

MultiPromptChain应用应包含两个标准组成部分

router_chain：接收一个RouterChain实例，作为路由链进行路由
default_chain：接收一个LLMChain实例，当Router Chain无法找到合适的下游子链时，会自动路由到的默认链，可以认为是一个兜底备选链
destination_chains：接收一个Mapping[str, LLMChain] 字典，key为可以路由到的destination chain的名称，value为该destination chain的LLMChain实例

此外，还有其他主要的可选参数：

memory: 接收一个BaseMemory实例，能为路由链添加上下文记忆
verbose: bool值，若为True则会打印该链的调用过程

4.代码示例

下面我们以“园丁” 和 “插花大师”为例，子链DestinationChain分别是 园丁的chain 和 插花大师的chain

《代码流程》
1.【Step1】初始化语言模型（"qwen:7b")
2.【Step2】构建提示信息（json格式），包括：key、description 和 template
- 【Step2.1】构建两个场景的模板
- 【Step2.2】构建提示信息
3.【Step3】构建目标链chain_map（json格式），以提示信息prompt_infos中的key为key，以Chain为value
4.【Step4】构建路由链router_chain
5.【Step5】构建默认链 default_chain 
6.【Step6】构建多提示链 MultiPromptChain

from langchain.chains.llm import LLMChain
from langchain.prompts import PromptTemplate
from langchain.chains.router.llm_router import LLMRouterChain, RouterOutputParser
from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE as RounterTemplate

## 【Step1】初始化语言模型
# from langchain.llms import OpenAI
# llm = OpenAI()
# llm = AzureChatOpenAI(deployment_name="GPT-4", temperature=0)

ollama_llm = Ollama(model="qwen:7b")

## 【Step2】构建提示信息（json格式），包括：key、description 和 template
# 【Step2.1】构建两个场景的模板
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}
"""

# 【Step2.2】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,
    }
]


## 【Step3】构建目标链chain_map（json格式），以提示信息prompt_infos中的key为key，以Chain为value
chain_map = {}

for info in prompt_infos:
    prompt = PromptTemplate(
        template=info['template'],
        input_variables=["input"]
    )
    print("目标提示:\n", prompt)
    
    chain = LLMChain(
        llm=ollama_llm,
        prompt=prompt,
        verbose=True
    )
    chain_map[info["key"]] = chain

## 【Step4】构建路由链router_chain
destinations = [f"{p['key']}: {p['description']}" for p in prompt_infos]
router_template = RounterTemplate.format(destinations="\n".join(destinations))
print("路由模板:\n", router_template)

router_prompt = PromptTemplate(
    template=router_template,
    input_variables=["input"],
    output_parser=RouterOutputParser(),
)
print("路由提示:\n", router_prompt)

router_chain = LLMRouterChain.from_llm(
    ollama_llm,
    router_prompt,
    verbose=True
)

## 【Step5】构建默认链 default_chain 
from langchain.chains import ConversationChain
default_chain = ConversationChain(
    llm=ollama_llm,
    output_key="text",
    verbose=True
)

## 【Step6】构建多提示链 MultiPromptChain
from langchain.chains.router import MultiPromptChain

chain = MultiPromptChain(
    router_chain=router_chain,
    destination_chains=chain_map,
    default_chain=default_chain,
    verbose=True
)

# 测试1
print(chain.run("如何为玫瑰浇水？"))