LangChain 使用语义路由选择不同的Prompt模板

在 RAG 应用开发中,针对不同场景的问题使用 特定化的prompt模板 效果一般都会比通用模板会好一些,例如在 教培场景,制作一个可以教学 物理+数学 的授课机器人,如果使用通用的 prompt模板,会导致 prompt 编写变得非常复杂;反过来如果 prompt 写的简单,有可能没法起到很好的回复效果。

如果能针对用户的提问,例如用户提问的内容是数学相关的则使用数学的模板,提问的内容是物理相关的则使用物理的模板,针对性选择不同的模板,LLM 生成的内容会比使用通用模板会更好,例如下方有两个 prompt模板:

physics_template = """你是一位非常聪明的物理教授。

你擅长以简洁易懂的方式回答物理问题。

当你不知道问题的答案时,你会坦率承认自己不知道。

这是一个问题:

{query}"""

math_template = """你是一位非常优秀的数学家。你擅长回答数学问题。

你之所以如此优秀,是因为你能将复杂的问题分解成多个小步骤。

并且回答这些小步骤,然后将它们整合在一起回来更广泛的问题。

这是一个问题:

{query}"""

基于这个思想和我们前面学习的 向量 与 文本嵌入模型,我们其实可以猜测,提问如果是 数学问题(能介绍下余弦计算公式么?),在向量空间上,正常情况下和 数学模板 的向量靠的更近;映射到 物理问题(黑洞是什么?) 上也是一样的。

用前面的 猫猫向量 表示就是更接近,相似度更高,如下

所以利用向量执行相似性搜索,不仅可以作用于 向量数据库,我们还可以利用 原始问题 与 prompt模板 的相似性,来找到类型、语义上更接近的模板,从而实现对 prompt模板 的动态路由。

该语义路由的运行流程其实也非常简单,如下

在 LangChain 中,实现的代码示例如下

import dotenv

from langchain.utils.math import cosine_similarity

from langchain_core.output_parsers import StrOutputParser

from langchain_core.prompts import ChatPromptTemplate

from langchain_core.runnables import RunnablePassthrough, RunnableLambda

from langchain_openai import OpenAIEmbeddings, ChatOpenAI

dotenv.load_dotenv()

1.定义两份不同的prompt模板(物理模板、数学模板)

physics_template = """你是一位非常聪明的物理教程。

你擅长以简洁易懂的方式回答物理问题。

当你不知道问题的答案时,你会坦率承认自己不知道。

这是一个问题:

{query}"""

math_template = """你是一位非常优秀的数学家。你擅长回答数学问题。

你之所以如此优秀,是因为你能将复杂的问题分解成多个小步骤。

并且回答这些小步骤,然后将它们整合在一起回来更广泛的问题。

这是一个问题:

{query}"""

2.创建文本嵌入模型,并执行嵌入

embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

prompt_templates = physics_template, math_template

prompt_embeddings = embeddings.embed_documents(prompt_templates)

def prompt_router(input) -> ChatPromptTemplate:

"""根据传递的query计算返回不同的提示模板"""

1.计算传入query的嵌入向量

query_embedding = embeddings.embed_query(input"query")

2.计算相似性

similarity = cosine_similarity(query_embedding, prompt_embeddings)0

most_similar = prompt_templatessimilarity.argmax()

print("使用数学模板" if most_similar == math_template else "使用物理模板")

3.构建提示模板

return ChatPromptTemplate.from_template(most_similar)

chain = (

{"query": RunnablePassthrough()}

| RunnableLambda(prompt_router)

| ChatOpenAI(model="gpt-3.5-turbo-16k")

| StrOutputParser()

)

print(chain.invoke("黑洞是什么?"))

print("======================")

print(chain.invoke("能介绍下余弦计算公式么?"))

输出内容:

使用物理模板

黑洞是一种极为密集的天体,其引力非常强大,甚至连光都无法逃离它的吸引力。黑洞形成于恒星坍缩或者质量非常大的天体的坍塌过程中。在黑洞的中心,存在一个称为"奇点"的点,其中物质密度无限大,空间弯曲度也达到了极限。黑洞周围的区域被称为"事件视界",在这个视界内,一切进入的物质都无法逃脱黑洞的吸引力。黑洞是宇宙中极为神秘而又引人入胜的天体。

======================

使用数学模板

余弦(cosine)计算公式是三角函数中的一种,用于计算一个三角形的两个边长和夹角之间的关系。

在一个直角三角形中,余弦的定义是:余弦值等于直角边上的斜边与该直角边的比值。

余弦的计算公式如下:

cos(θ) = adjacent / hypotenuse

其中,θ表示夹角的大小(以弧度为单位),adjacent表示夹角边的邻边长度,hypotenuse表示斜边的长度。

需要注意的是,余弦计算公式只适用于直角三角形,当夹角不是直角时,需要使用其他三角函数(如正弦、正切等)来计算。

通过将复杂的问题分解成小步骤,我们可以先计算出夹角的余弦值,然后再将其应用到更广泛的问题中,如求解三角形的面积、边长等。

相关推荐
VIP_CQCRE6 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
wuyk5557 小时前
Python办公自动化-第01讲-环境搭建与自动化认知
python·自动化·pyqt
泯泷7 小时前
别再傻傻地喂文件了,大厂都在偷偷给AI建这种“专属图书馆”
人工智能
J船长8 小时前
Agent开发 00|从 ChatGPT 到生产级 AI Agent
agent
oak隔壁找我8 小时前
一款运行在 DSH(DeepSeek Harness)中的类 Postman HTTP 接口调试插件
人工智能·程序员
高洁018 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
ComPDFKit8 小时前
RAG 回答只显示 PDF 文件名?用 Python 保留引用页码
开发语言·python·pdf·rag
Csvn9 小时前
如果明天供应商涨价 3 倍?三层解耦,换模型只改一行配置(C05)
人工智能·aigc·agent
在所不辞兄9 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
yz_aiks9 小时前
Termux 使用教程:把安卓手机变成随身 Linux(装 Python、SSH 远程、跑自动化脚本)
android·linux·python·智能手机·ssh·termux