从 MultiPromptChain 迁移到 LangGraph 实现

在多轮对话或复杂任务中，如何智能地选择并调用合适的语言模型链（LLMChain）来处理不同类型的输入是一个重要的技术挑战。传统的 MultiPromptChain 通过一系列预定义的提示来引导模型选择，并生成响应。虽然这种方法在某些场景下有效，但它并不支持常见的聊天模型功能，例如消息角色和工具调用。而 LangGraph 提供了一些有优势的功能：

1. 支持聊天提示模板，包括系统和其他角色的消息。
2. 支持工具调用用于路由步骤。
3. 支持逐步流式传输输出令牌。

下面我们将详细对比 MultiPromptChain 和 LangGraph 实现，并用实际代码演示如何使用 LangGraph 替代 MultiPromptChain。这篇指南中所使用的 langchain-openai 版本需高于 0.1.20。您可以使用以下命令安装所需模块：

%pip install -qU langchain-core langchain-openai langgraph

MultiPromptChain 示例

MultiPromptChain 主要通过一系列提示来实现智能路由，以下是一个简单的代码示例：

from langchain.chains.router.multi_prompt import MultiPromptChain
from langchain_openai import ChatOpenAI

# 使用稳定的AI模型服务
llm = ChatOpenAI(model="gpt-4o-mini")

# 定义不同主题的提示模板
prompt_1_template = """
You are an expert on animals. Please answer the below query:
{input}
"""

prompt_2_template = """
You are an expert on vegetables. Please answer the below query:
{input}
"""

prompt_infos = [
    {
   
   
        "name": "animals",
        "description": "Prompt for an animal expert",
        "prompt_template": prompt_1_template,
    },
    {
   
   
        "name": "vegetables",
        "description": "Prompt for a vegetable expert",
        "prompt_template": prompt_2_template,
    },
]

chain = MultiPromptChain.from_prompts