如何在LangChain中实现模型自动选择多提示词执行任务？

算力阿峰

2026-7-6

自动选择提示词的实现方案

以下几种方法可以解决模型自动选择对应提示词的问题，同时避开输入变量不匹配的坑：

1. 前置意图分类判断

先通过大模型把用户问题分成「文档问答」和「发票表格生成」两类，再针对性调用对应的提示词和传入变量，逻辑直接清晰。

示例代码（基于LangChain）：

from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

# 意图分类提示词，只要求输出指定标签
intent_prompt = ChatPromptTemplate.from_messages([
    ("system", "用户的请求只有两种类型：1. 文档问答（需基于给定上下文回答）；2. 生成发票表格（需输出JSON格式发票）。只输出对应的标签：DOC_QA 或 INVOICE_TABLE。"),
    ("human", "{user_question}")
])

llm = ChatOpenAI(temperature=0)
intent_chain = intent_prompt | llm

# 示例：处理用户问题
user_question = "帮我把聊天里的交易记录做成发票表格"
intent = intent_chain.invoke({"user_question": user_question}).content

# 根据意图执行对应逻辑
if intent == "DOC_QA":
    # 传入文档问答所需的全部变量
    doc_qa_prompt.invoke({
        "context": "你的文档上下文内容",
        "question": user_question,
        "chat_history": "之前的聊天记录",
        "username": "用户名"
    })
elif intent == "INVOICE_TABLE":
    # 只传入发票生成所需的聊天历史
    invoice_prompt.invoke({
        "chat_history": "之前的聊天记录"
    })

2. 使用LangChain RouterChain路由链

LangChain的RouterChain专门为多提示词场景设计，可以自动判断用户请求应该走哪个任务链，同时处理变量传递，完美解决之前pipeline的变量不匹配问题。

示例代码：

from langchain.chains.router import MultiPromptChain
from langchain.chains.router.llm_router import LLMRouterChain, RouterOutputParser
from langchain.prompts import PromptTemplate
from langchain.chat_models import ChatOpenAI

# 定义两个任务的提示词模板
doc_qa_template = """你是文档问答助手，基于给定上下文回答用户问题，参考聊天历史并称呼用户名。
上下文：{context}
聊天历史：{chat_history}
用户名：{username}
用户问题：{question}
回答："""

invoice_template = """根据聊天历史生成JSON格式的发票表格，字段包含：发票编号、日期、商品名称、数量、单价、总价。
聊天历史：{chat_history}
输出JSON："""

# 定义每个任务的路由信息
prompt_infos = [
    {
        "name": "文档问答",
        "description": "处理需要基于文档上下文回答的问题",
        "prompt_template": doc_qa_template
    },
    {
        "name": "发票表格生成",
        "description": "根据聊天记录生成JSON发票表格",
        "prompt_template": invoice_template
    }
]

# 生成路由提示词，让模型判断任务并输出变量映射
router_template = """给定用户输入，判断该用哪个任务链处理，按指定JSON格式输出：
```json
{{"destination": "任务名称", "next_inputs": {{输入变量键值对}}}}

可选任务：
{destinations}
用户输入：{input}
注意：文档问答需传入context、question、chat_history、username；发票生成只需传入chat_history。"""

router_prompt = PromptTemplate(
template=router_template,
input_variables=["input"],
partial_variables={"destinations": "\n".join([f"{p['name']}: {p['description']}" for p in prompt_infos])},
output_parser=RouterOutputParser()
)

创建路由链和子链

llm = ChatOpenAI(temperature=0)
router_chain = LLMRouterChain.from_llm(llm, router_prompt)

destination_chains = {}
for p_info in prompt_infos:
prompt = PromptTemplate(
template=p_info["prompt_template"],
input_variables=PromptTemplate.from_template(p_info["prompt_template"]).input_variables
)
destination_chains[p_info["name"]] = prompt | llm

组合成多提示词链

multi_prompt_chain = MultiPromptChain(
router_chain=router_chain,
destination_chains=destination_chains,
default_chain=destination_chains["文档问答"], # 设置默认任务
verbose=True
)

调用示例

文档问答场景

multi_prompt_chain.invoke({
"input": "根据上下文说下产品保修政策",
"context": "产品保修1年，非人为损坏免费维修",
"chat_history": "[用户：你好，产品保修多久？]",
"username": "张三"
})

发票生成场景

multi_prompt_chain.invoke({
"input": "把刚才的交易记录做成发票表格",
"chat_history": "[用户：我买了2个笔记本，每个50元；1支钢笔20元]",
})

## 3. 单提示词动态分支（适合简单场景）
把两个任务的逻辑整合到一个提示词里，让大模型自行判断执行哪个任务，同时允许部分变量为空（比如发票任务不需要context和username）。

示例提示词：
```python
combined_prompt = """你需要根据用户请求执行以下两个任务之一：
任务1【文档问答】：当用户问题需要基于给定上下文回答时，参考聊天历史并称呼用户名，输出自然语言回答。可用变量：context、question、chat_history、username
任务2【发票表格生成】：当用户需要生成发票时，根据聊天历史输出JSON格式的发票表格，字段包含发票编号、日期、商品名称、数量、单价、总价。可用变量：chat_history

请先判断任务类型再执行：
用户请求：{user_question}
上下文（可选）：{context}
聊天历史：{chat_history}
用户名（可选）：{username}
输出："""

内容的提问来源于stack exchange，提问作者Faiq Aslam

如何在LangChain中实现模型自动选择多提示词执行任务？

1. 前置意图分类判断 #

2. 使用LangChain RouterChain路由链 #

1. 前置意图分类判断

2. 使用LangChain RouterChain路由链