https://python.langchain.com.cn/docs/expression_language/cookbook/embedding_router

LangChain 嵌入路由（Embedding Router）详解

本文档的核心是实现基于语义相似性的动态路由：通过将输入文本与多个预设模板的语义相似度比较，自动选择最匹配的处理逻辑（如不同领域的提示模板）。核心依赖“嵌入（Embedding）”和“余弦相似性（Cosine Similarity）”实现语义匹配，而非关键词匹配。

一、核心概念（无比喻，直接定义）

1. 嵌入（Embedding）
   一种将文本（如问题、模板）转换为固定长度高维向量的技术。语义越相近的文本，转换后的向量在向量空间中的距离越近。

2. 余弦相似性（Cosine Similarity）
   一种计算两个向量夹角余弦值的算法，结果范围为[-1, 1]。值越接近1，表明两个向量（对应文本）的语义相似度越高；越接近-1，相似度越低。

3. 路由（Routing）
   根据输入文本与预设模板的语义相似度，选择对应模板进行处理的过程。本文档中，路由的目标是为输入问题匹配最相关的领域提示模板。

二、实现步骤（代码+作用详解）

步骤1：安装依赖库

需安装处理嵌入、向量计算和模型调用的库：

# 安装核心库：langchain-core（基础组件）、langchain（工具函数）、langchain-openai（嵌入和模型）
%pip install --upgrade --quiet langchain-core langchain langchain-openai

步骤2：定义领域提示模板

预设多个领域的提示模板，每个模板定义该领域的处理规则（如回答风格、专业方向）。本文档示例包含“物理”和“数学”两个领域：

from langchain_core.prompts import PromptTemplate

# 物理领域模板：定义物理问题的回答规则（简洁、易懂）
physics_template = """You are a physics professor. Answer physics questions concisely. \
Admit if you don't know.
Question: {query}"""

# 数学领域模板：定义数学问题的回答规则（拆分问题、分步解答）
math_template = """You are a mathematician. Answer math questions by breaking them down. \
Explain each step clearly.
Question: {query}"""

# 存储所有模板，用于后续生成嵌入
prompt_templates = [physics_template, math_template]

步骤3：生成嵌入向量

将预设的提示模板转换为嵌入向量（提前计算，避免重复消耗资源）：

from langchain_openai import OpenAIEmbeddings

# 初始化嵌入模型（用于将文本转换为向量）
embeddings = OpenAIEmbeddings()

# 为所有提示模板生成嵌入向量（返回一个向量列表，顺序与模板列表一致）
# 即 prompt_embeddings[0] 对应 physics_template 的向量，prompt_embeddings[1] 对应 math_template 的向量
prompt_embeddings = embeddings.embed_documents(prompt_templates)

步骤4：实现路由逻辑（核心函数）

定义函数，接收用户输入的问题，通过以下步骤选择最匹配的模板：

1. 将问题转换为嵌入向量；
2. 计算问题向量与各模板向量的余弦相似性；
3. 选择相似度最高的模板。

from langchain.utils.math import cosine_similarity

def prompt_router(input_data):
    # 提取用户输入的问题（input_data 为字典，键 "query" 对应问题文本）
    query = input_data["query"]
    
    # 1. 将问题转换为嵌入向量
    query_embedding = embeddings.embed_query(query)
    
    # 2. 计算问题向量与各模板向量的余弦相似性
    # cosine_similarity 接收两个二维列表，返回相似度矩阵；[0] 取第一行（问题与各模板的相似度）
    similarities = cosine_similarity([query_embedding], prompt_embeddings)[0]
    
    # 3. 找到相似度最高的模板索引（argmax() 返回最大值的位置）
    most_similar_idx = similarities.argmax()
    selected_template = prompt_templates[most_similar_idx]
    
    # 打印选中的领域（用于调试，确认路由结果）
    if selected_template == math_template:
        print("Using MATH template")
    else:
        print("Using PHYSICS template")
    
    # 将选中的模板转换为 PromptTemplate 对象，用于后续生成回答
    return PromptTemplate.from_template(selected_template)

步骤5：构建完整处理链

通过 LangChain 表达式语言（LCEL）将“输入处理→路由选择→模型调用→结果解析”串联为完整链：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableLambda, RunnablePassthrough
from langchain_openai import ChatOpenAI

# 初始化大语言模型（用于根据选中的模板生成回答）
model = ChatOpenAI()

# 构建链：
chain = (
    {"query": RunnablePassthrough()}  # 传递用户输入的问题（键 "query" 与路由函数匹配）
    | RunnableLambda(prompt_router)   # 调用路由函数，选择匹配的模板
    | model                           # 模型根据选中的模板生成回答
    | StrOutputParser()               # 将模型输出转换为字符串（去除原始消息格式）
)

步骤6：测试路由效果

输入不同领域的问题，验证路由是否正确选择模板：

# 测试1：物理问题（预期选择物理模板）
print(chain.invoke("What is a black hole?"))
# 输出：先打印 "Using PHYSICS template"，再输出物理领域的回答

# 测试2：数学问题（预期选择数学模板）
print(chain.invoke("What is a path integral?"))
# 输出：先打印 "Using MATH template"，再输出数学领域的回答

三、核心逻辑总结

1. 语义匹配是核心：通过嵌入向量和余弦相似性实现“输入问题→领域模板”的语义匹配，而非依赖关键词，因此对同义不同词的问题也能准确路由。
2. 路由函数是关键：prompt_router 函数封装了“向量计算→模板选择”的逻辑，是整个路由过程的核心控制器。
3. 链的串联逻辑：通过 RunnablePassthrough 传递输入、RunnableLambda 调用路由函数、模型生成回答、解析器处理输出，形成闭环流程。

关键注意点

• 模板设计需有区分度：不同领域的模板语义差异需足够明显，否则余弦相似性计算可能出现误判。
• 嵌入模型一致性：生成模板向量和问题向量必须使用同一嵌入模型，否则向量空间不兼容，无法准确计算相似度。

按上述步骤运行代码，可直观观察路由效果，理解“语义相似性如何驱动动态选择”的核心机制。