LangChain入门：用RouterChain实现智能客服问题分类

LangChain入门：用RouterChain实现智能客服问题分类

引用

CSDN

1.

https://blog.csdn.net/wangjiansui/article/details/137510754

在构建智能客服系统时，准确识别并分类用户的问题至关重要。LangChain的RouterChain提供了一种动态选择下一个处理链的机制，根据用户的问题内容，选择最合适的处理模板进行回答。

任务设定

假设我们的鲜花运营智能客服ChatBot需要处理两大类问题：

• 鲜花养护：如保持花的健康、浇水、施肥等。
• 鲜花装饰：如搭配花束、装饰场地等。

我们的目标是根据问题类型，将任务分配给相应的ChatBot A或ChatBot B。

整体框架

RouterChain（路由链）能够根据用户问题动态选择下一个链。它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。

在这个示例中，我们将使用LLMRouterChain和MultiPromptChain组合实现路由功能。MultiPromptChain会调用LLMRouterChain选择与问题最相关的提示，然后使用该提示回答问题。

具体步骤

1. 构建处理模板：为鲜花护理和鲜花装饰定义两个字符串模板。
2. 初始化语言模型：导入并实例化语言模型。
3. 构建目标链：根据模板构建对应的LLMChain，并存储在一个字典中。
4. 构建LLM路由链：使用提示信息构建路由模板，并创建LLMRouterChain。
5. 构建默认链：准备一个默认链，用于处理不适合任何处理模板的问题。
6. 构建多提示链：使用MultiPromptChain整合路由链、目标链和默认链，形成决策系统。

具体实现

1. 构建提示信息的模板：

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}"
prompt_infos = [
    {
        "name": "flower_care",
        "description": "适合回答关于鲜花护理的问题",
        "prompt": flower_care_template
    },
    {
        "name": "flower_deco",
        "description": "适合回答关于鲜花装饰的问题",
        "prompt": flower_deco_template
    }
]

2. 初始化语言模型：

from langchain.chat_models import ChatOpenAI
llm = ChatOpenAI(temperature=0)

3. 构建目标链：

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

chains = {}
for p_info in prompt_infos:
    prompt = PromptTemplate(
        template=p_info["prompt"],
        input_variables=["input"]
    )
    chain = LLMChain(llm=llm, prompt=prompt)
    chains[p_info["name"]] = chain

4. 构建LLM路由链：

from langchain.chains.router.llm_router import LLMRouterChain, RouterOutputParser
from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE

destinations = [f"{p['name']}: {p['description']}" for p in prompt_infos]
destinations_str = "\n".join(destinations)

router_template = MULTI_PROMPT_ROUTER_TEMPLATE.format(destinations=destinations_str)
router_prompt = PromptTemplate(
    template=router_template,
    input_variables=["input"]
)
router_chain = LLMRouterChain.from_llm(llm, router_prompt)

5. 构建默认链：

from langchain.chains import ConversationChain

default_chain = ConversationChain(llm=llm, output_key="text")

6. 构建多提示链：

from langchain.chains.router import MultiPromptChain

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

测试

现在我们可以测试一下这个系统：

response = chain.run("如何让玫瑰花保持新鲜？")
print(response)

response = chain.run("如何用玫瑰花装饰客厅？")
print(response)

通过以上步骤，我们就完成了一个简单的基于LangChain的智能客服系统，能够根据用户提问的意图，自动选择合适的处理链进行回答。