LangChain表达式(LCEL)实操案例1

案例1：写一篇短文，然后对这篇短文进行打分

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables import RunnableWithMessageHistory, RunnableLambda
from langchain_openai import ChatOpenAIllm_zhipu = ChatOpenAI(temperature=0.9,model='glm-4-air-0111',api_key='****',base_url='https://open.bigmodel.cn/api/paas/v4/'
)parser = StrOutputParser()prompt1 = ChatPromptTemplate.from_template('给我写一篇关于{key_word}的{type},字数不超过{count}。')
prompt2 = ChatPromptTemplate.from_template('请简单评价一下这篇短文，如果总分是10分，请给这篇短文打分:{text_context}。')chain1 = prompt1 | llm_zhipu | StrOutputParser()
#这样组装，不会输出chain1的内容
# chain2 = {'text_context':chain1} | prompt2 | llm_zhipu | StrOutputParser()def print_chain1(input):print(input)print('*'*30)return {'text_context':input}
chain2 = chain1 | RunnableLambda(print_chain1) | prompt2 | llm_zhipu | parserprint(chain2.invoke({'key_word': '请写一篇关于春天的文章', 'type': '散文', 'count': 500}))

输出：

案例2：根据用户输入的点餐偏好，推荐2-3家餐厅，并给出推荐理由

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables import RunnableWithMessageHistory, RunnableLambda
from langchain_openai import ChatOpenAIllm = ChatOpenAI(temperature=1,model='deepseek-r1',api_key='****',base_url='https://dashscope.aliyuncs.com/compatible-mode/v1'
)parser = StrOutputParser()
user_preperences_prompt = ChatPromptTemplate.from_template('用户输入了一些餐厅偏好：\n{user_input}\n,请将用户的偏好总结为清晰的需求:')recommend_preperences_prompt = ChatPromptTemplate.from_template('基于用户的需求：\n{recommend_input}\n,请推荐3家适合的餐厅，并说明推荐的理由:')summarize_preperences_prompt = ChatPromptTemplate.from_template('以下是餐厅推荐和推荐的理由：\n{summarize_input}\n,请总结成2-3句话，供用户参考:')chain = user_preperences_prompt | llm | recommend_preperences_prompt | llm | summarize_preperences_prompt | llm | parser
print(chain.invoke({'user_input': '我喜欢吃辣，环境要安静点的餐厅，价格要实惠，又好吃的菜'}))

输出：

案例3：用户会问到各个领域的问题，根据不同的领域定义不同的提示词模板，动态的选择合适的任务模板去完成

from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables import RunnableWithMessageHistory, RunnableLambda, RouterRunnable, RunnableSequence
from langchain_openai import ChatOpenAIllm = ChatOpenAI(temperature=1,model='deepseek-r1',api_key='*****',base_url='https://dashscope.aliyuncs.com/compatible-mode/v1'
)#用户会问到各个领域的问题，根据不同的领域定义不同的提示词模板，动态的选择合适的任务模板去完成
parser = StrOutputParser()math_prompt = ChatPromptTemplate.from_template('你是一位数学家，擅长分步骤解决各种数学问题，以下是问题的内容:{input}')
physics_prompt = ChatPromptTemplate.from_template('你是一位物理教授，擅长用通俗易懂的语言回答各种物理问题，以下是问题的内容:{input}')
history_prompt = ChatPromptTemplate.from_template('你是一位历史研究学家，对历史事件和背景很精通，以下是问题的内容:{input}')
computer_prompt = ChatPromptTemplate.from_template('你是一位非常自身的计算机科学家，擅长算法，大数据，编程问题，以下是问题的内容：{input}')
default_prompt = ChatPromptTemplate.from_template('输入内容无法归类，请直接回答：{input}')default_chain = default_prompt | llm
computer_chain = computer_prompt | llm
history_chain = history_prompt | llm
physics_chain = physics_prompt | llm
math_chain = math_prompt | llmdef route(input):"""根据大模型第一次处理的值输出来，动态判断各种领域的任务:param input::return:"""if '物理' in input['type']:print('1号路由')return {'key':'physics','input':input['input']}elif '数学' in input['type']:print('2号路由')return {'key':'math','input':input['input']}elif '历史' in input['type']:print('3号路由')return {'key':'history','input':input['input']}elif '计算机' in input['type']:print('4号路由')return {'key':'computer','input':input['input']}else :print('5号路由')return {'key':'default','input':input['input']}#创建一个路由的节点
route_runnable = RunnableLambda(route)
router = RouterRunnable(runnables={'physics':physics_chain,'math':math_chain,'history': history_chain,'computer': computer_chain,'default': default_chain
})#第一个提示词模板：
first_prompt = ChatPromptTemplate.from_template('不要回答下面用户的问题，只要根据用主呢的输入来判断分类，一共有【物理、历顺、计算机、数学、其他】5种类别\n\n\用户的输入:{input}\n\n\最后的输出包含分类的类别和用户输入的内容，输出的格式为json，其中类别的key为type,用户输入内容的key为input'
)chain1 = first_prompt | llm | JsonOutputParser()
chain2 = RunnableSequence(chain1,route_runnable,router) # chain1 | route_runnable | routerinputs = [{'input':'什么是黑体辐射？'},{'input':'1+1真的等于2吗？'},{'input':'介绍一下第一次世界大战的背景？'},{'input':'如何快速实现冒泡算法？'}
]for inp in inputs:result = chain2.invoke(inp)print(f'问题：{inp}\n 回答：{result.content}\n')

输出：