Roteamento e cadeias condicionais
Crie cadeias que escolham dinamicamente um caminho com base na entrada, encaminhando cada solicitação à subcadeia mais apropriada para fluxos de trabalho mais inteligentes e ramificados.
Roteamento e cadeias condicionais é uma aula grátis de AI Agents with LangChain & Autonomous Workflows no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Agents with LangChain & Autonomous Workflows, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Agents with LangChain & Autonomous Workflows inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
Beyond Straight-Line Chains
Sequential chains always run the same steps in order. But real workflows branch: a billing question and a coding question need different handling.
This lesson covers routing chains that choose a path based on the input.
What a Router Does
A router inspects the input, decides which destination chain best fits, and forwards the input there. It is a dispatcher in front of several specialist chains.
input -> router -> { billing_chain | code_chain | general_chain }Defining Destination Chains
Each destination is a normal chain tuned for one kind of task, with its own prompt and configuration.
billing = LLMChain(llm=llm, prompt=billing_prompt)
coding = LLMChain(llm=llm, prompt=coding_prompt)Describing Each Route
The router needs to know what each destination is for. Provide a name and a short description so it can match an input to the right one.
routes = [
{'name': 'billing', 'description': 'invoices, refunds, payments'},
{'name': 'coding', 'description': 'programming and debugging help'}
]LLM-Based Routing
One approach asks the LLM itself to classify the input and name the destination. It is flexible and handles fuzzy intent, but adds a model call and some unpredictability.
# router prompt asks model to output: {'destination': 'billing', 'input': ...}Rule-Based Routing
When intent is clear from structure, a deterministic function can route faster and cheaper than an LLM.
def route(query):
if 'refund' in query.lower():
return 'billing'
return 'general'The Default Route
Some inputs match no specialist. Always provide a default destination so the chain never fails on an unexpected request.
default_chain = LLMChain(llm=llm, prompt=general_prompt)Composing the Router Chain
LangChain's routing chain ties the router, the destination map, and the default together into a single callable that picks the path automatically.
from langchain.chains.router import MultiPromptChain
chain = MultiPromptChain(
router_chain=router,
destination_chains={'billing': billing, 'coding': coding},
default_chain=default_chain)Handling Misroutes
Routing is a prediction and can be wrong. Log the chosen destination, let a destination decline and fall back, and monitor misroute rates so you can refine descriptions over time.
LLM vs Rule-Based Tradeoffs
Choose your router by the situation:
- Rules: fast, cheap, deterministic; brittle for fuzzy intent
- LLM: flexible, handles nuance; slower, costs a call, less predictable
Hybrids use rules first and fall back to the LLM.
A Routing Workflow
Putting it together:
- Build specialist destination chains
- Describe each route clearly
- Choose rule-based, LLM-based, or hybrid routing
- Always include a default and monitor misroutes
Quick Check
Test your understanding of routing chains.
Recap
You learned to build branching, conditional chains.
- A router dispatches input to specialist destination chains
- Routing can be rule-based, LLM-based, or hybrid
- Clear route descriptions improve accuracy
- Always include a default and monitor misroutes
Perguntas Frequentes
A aula “Roteamento e cadeias condicionais” é grátis?
Sim — o texto completo de “Roteamento e cadeias condicionais” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Agents with LangChain & Autonomous Workflows, atualize para CoddyKit PRO. O curso de AI Agents with LangChain & Autonomous Workflows inclui 4 aulas no total.
O que vou aprender em “Roteamento e cadeias condicionais”?
Crie cadeias que escolham dinamicamente um caminho com base na entrada, encaminhando cada solicitação à subcadeia mais apropriada para fluxos de trabalho mais inteligentes e ramificados. Você pratica AI Agents with LangChain & Autonomous Workflows com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar AI Agents with LangChain & Autonomous Workflows?
Nenhuma experiência prévia é necessária. AI Agents with LangChain & Autonomous Workflows no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.
Quanto tempo leva a aula “Roteamento e cadeias condicionais”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de AI Agents with LangChain & Autonomous Workflows?
Sim. Cada aula de AI Agents with LangChain & Autonomous Workflows inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Introdução às cadeias do LangChain
- Cadeias sequenciais e simples
- Personalizando a lógica das cadeias
- Roteamento e cadeias condicionais