pip install -U langsmith

#!/usr/bin/env python
# -*- coding: utf-8 -*-
''' 
@File    :   try.py
@Time    :   2024/03/29
@Author  :   CrissChan 
@Version :   1.0
@Site    :   https://blog.csdn.net/crisschan
@Desc    :   
'''

import os
##Временно установить переменные среды
###LANGCHAIN_TRACING_V2 — установить, включает ли LangChain режим бревного отслеживания.
os.environ['LANGCHAIN_TRACING_V2']="true"
###LANGCHAIN_API_KEY — это ключ LangSmith, созданный выше.
os.environ['LANGCHAIN_API_KEY']="ls__626de75e47214de3a9b73ea801774183"
os.environ['LANGCHAIN_ENDPOINT']="https://api.smith.langchain.com"
###LANGCHAIN_PROJECT — имя отслеживаемого проекта. Если проект не существует на платформе LangSmith, он будет создан автоматически. Если эта переменная среды не установлена, соответствующая информация будет записана в проект по умолчанию. Проекты здесь не обязательно соответствуют вашим реальным проектам один в один. Их можно понимать как категории или ярлыки. Если вы измените этот элемент перед запуском приложения, под ним будет написано соответствующее бревно.
###Его можно разделить по средам разработки и производства, по дате и т. д.
os.environ['LANGCHAIN_PROJECT']="Food"

import warnings
warnings.filterwarnings('ignore')
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())  # read local .env file
from iflytek import SparkLLM


# Создайте шаблоны для двух сценариев.
chinese_food_template = """
Вы опытный китайский повар, который хорошо умеет готовить китайскую еду.
Вот вопросы, на которые вам нужно ответить:
{input}
"""

western_food_template = """
Вы опытный кондитер и умеете готовить выпечку.
Вот вопросы, на которые вам нужно ответить:
{input}
"""

# Создайте оперативную информацию
prompt_infos = [
    {
        "key": "food",
        "description": «Подходит для ответов на вопросы о приготовлении китайской еды»,
        "template": chinese_food_template,
    },
    {
        "key": "bakery",
        "description": «Подходит для ответов на вопросы о западном производстве продуктов питания»,
        "template": western_food_template,
    }
]

# Язык инициализации Модель
llm = SparkLLM(temperature=0.1)

# Постройте целевую цепочку
from langchain.chains.llm import LLMChain
from langchain.prompts import PromptTemplate

chain_map = {}

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

# Построить цепочку маршрутизации
from langchain.chains.router.llm_router import LLMRouterChain,RouterOutputParser
из langchain.chains.router.multi_prompt_prompt импортируйте MULTI_PROMPT_ROUTER_TEMPLATE как RounterTemplate

места назначения = [f"{p['key']}: {p['description']}" для p в Prompt_infos]
router_template = RounderTemplate.format(destinations="\n".join(destinations))
print("Маршрутизация:\n", router_template)

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

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

# Построить цепочку по умолчанию
from langchain.chains import ConversationChain
default_chain = ConversationChain(
    llm=llm,
    output_key="text",
    verbose=True
)

# Создайте несколько цепочек подсказок
from langchain.chains.router import MultiPromptChain

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

# тест
print(chain.run("Как приготовить бублики"))