LangChain+LangSmith实战：如何用OllamaLLM构建多场景AI厨师（含完整代码）

LangChain+LangSmith实战：构建多场景AI厨师的完整指南

想象一下，拥有一个能随时切换中餐大师和西点主厨身份的AI助手，不仅能回答专业烹饪问题，还能根据你的需求自动选择最适合的烹饪知识库——这就是我们将要构建的"多场景AI厨师"。不同于简单的问答机器人，这个项目将展示如何利用LangChain的路由链实现智能场景切换，并通过LangSmith全程监控每个决策环节。

1. 项目架构设计思路

这个AI厨师的核心在于它的场景感知能力。当用户询问"如何制作提拉米苏"时，系统能自动识别这是西点问题而调用西餐模板；当问题变成"红烧肉的火候控制"时，又会无缝切换到中餐专家模式。这种动态路由能力背后是三个关键组件：

1. 多提示管理系统：维护不同烹饪领域的专业模板库
2. 路由决策引擎：分析问题语义并选择最匹配的烹饪领域
3. 执行监控体系：通过LangSmith追踪每个决策节点的逻辑

# 架构示意图代码表示 class AIChefArchitecture: def __init__(self): self.template_repository = {} # 存储多场景提示模板 self.router_engine = None # 路由决策模块 self.langsmith_integration = {} # 监控配置

这种设计特别适合知识领域边界清晰但内部复杂的场景。在烹饪领域，中餐和西餐在技法、工具、术语上都有明显差异，但各自内部又有严密的体系，正是路由链发挥优势的典型场景。

2. 环境配置与基础搭建

2.1 工具链准备

需要安装的核心组件及其作用：

安装命令：

pip install -U langchain langsmith ollama

2.2 LangSmith监控配置

LangSmith的配置需要四个环境变量，建议通过.env文件管理：

# .env 文件示例 LANGSMITH_TRACING=true LANGSMITH_API_KEY="your_api_key_here" LANGSMITH_ENDPOINT="https://api.smith.langchain.com" LANGSMITH_PROJECT="ai-chef-debug"

提示：项目名称建议按功能或日期划分，例如"ai-chef-202406"便于后期追溯

3. 多场景提示工程实践

3.1 构建专业厨师角色模板

中餐和西餐模板的关键差异体现在：

• 专业术语体系：中餐强调"火候"、"勾芡"，西餐注重"烤箱预热"、"打发"
• 计量单位：中餐常用"适量"，西餐精确到"克"
• 工具偏好：中餐依赖炒锅，西餐常用烤箱

chinese_template = """ 你是一位拥有30年经验的中餐主厨，精通川、粤、鲁等八大菜系。 回答时请遵循： 1. 使用中式烹饪术语（如：炝锅、勾薄芡） 2. 配料用量用"适量"、"少许"等中餐表述 3. 优先推荐中式厨具（铁锅、蒸笼等） 问题：{input} """ western_template = """ 你是米其林三星西点师，擅长法式、意式烘焙。 回答需包含： 1. 精确到克的原料配比 2. 烤箱温度和时间参数 3. 标准西餐制作流程术语 问题：{input} """

3.2 动态路由系统实现

路由链的核心是决策模板，需要明确定义各场景的边界：

from langchain.chains.router import LLMRouterChain from langchain.chains.router.multi_prompt_prompt import MULTI_PROMPT_ROUTER_TEMPLATE destinations = [ "chinese: 中式烹饪技法、菜谱、火候控制等问题", "western: 西式烘焙、酱汁制作、烤箱使用等问题" ] router_template = MULTI_PROMPT_ROUTER_TEMPLATE.format( destinations="\n".join(destinations) )

路由决策过程会在LangSmith中生成详细的轨迹记录，包括：

• 输入问题分析
• 各场景匹配度评分
• 最终选择决策

4. 完整链式调用集成

4.1 多链组装技术

构建完整的AI厨师需要三种链协同工作：

1. 路由链：判断问题类型
2. 目标链：中餐/西餐专业链
3. 默认链：处理通用烹饪问题

from langchain.chains import MultiPromptChain # 初始化各专业链 chain_map = { "chinese": LLMChain(llm=ollama_llm, prompt=chinese_prompt), "western": LLMChain(llm=ollama_llm, prompt=western_prompt) } # 构建完整管道 ai_chef = MultiPromptChain( router_chain=router_chain, destination_chains=chain_map, default_chain=default_chain, verbose=True )

4.2 LangSmith监控点配置

在关键节点添加跟踪标记：

# 在链式调用中添加metadata def track_chain(chain, metadata): chain.metadata = {**chain.metadata, **metadata} return chain chinese_chain = track_chain(chinese_chain, {"domain": "chinese"})

LangSmith控制台将显示：

• 每个链的输入/输出
• 执行耗时和token消耗
• 路由决策路径的可视化

5. 实战调试技巧

5.1 常见路由错误排查

通过LangSmith的Trace功能可以发现：

1. 场景误判：比如把"披萨"识别为中餐
   • 解决方案：增强路由模板中的示例
2. 术语混淆：如将"炒"应用于烤箱料理
   • 解决方案：完善各场景的术语黑名单

注意：在LangSmith中比较不同版本的运行轨迹是优化的重要方法

5.2 性能优化策略

1. 缓存机制：对常见问题答案缓存

   from langchain.cache import SQLiteCache llm.cache = SQLiteCache(database_path=".ai_chef_cache.db")

2. 模板精简：移除冗余描述减少token使用
3. 并行执行：对复杂查询启用多链并行

6. 进阶扩展方向

这个基础框架可以延伸出多种专业变体：

1. 多语言支持：增加模板语言版本
2. 菜系细分：将中餐扩展为川菜、粤菜等子分类
3. 用户偏好记忆：集成对话记忆功能

# 扩展示例：添加日本料理专家 japanese_template = """ 你是一位寿司大师，精通江户前寿司制作... """ prompt_infos.append({ "key": "japanese", "description": "日料制作、刺身处理等问题", "template": japanese_template })

在实际项目中，我们团队发现路由准确率对示例描述的质量极其敏感。经过多次迭代，最终采用的描述方式需要同时包含：

• 典型问题示例
• 领域专有名词
• 常见误判案例的排除说明