条件路由

所谓条件路由（Conditional Routing），就是在一条 AI 推理/数据处理流水线里，先依据输入内容、上下文或运行时信号做一次判别，再把请求分发到不同的子流程（链）上执行。本质上是受控的 if/else：先“判别”，再“选择”，最后“执行”，避免“一个提示词走天下”。

在 LangChain.js 中，常见做法有两种：

用 RunnableBranch 声明式按顺序匹配分支（可视作 if/else-if/else 的旧范式）（官方不太推荐了）
用 RunnableLambda 在函数里动态返回要执行的子链（官方更推荐，灵活且易组合）

路由条件既可以是规则驱动（正则、关键字、用户角色、租户权限、时间段、阈值等），也可以是模型辅助分类（先用轻量 LLM 判断“数学/SQL/闲聊/RAG”等意图）；命中失败时应设置兜底分支，保证可用性。

总结一句话：条件路由让系统不再押注单一路径，而是把“该走哪条路”的选择设计为一等公民。

RunnableBranch

RunnableBranch 是 LangChain.js 中提供的条件分派器。

它把一条流程拆成多条“候选子链”，并附带各自的触发条件，运行时从左到右依次评估条件，命中第一个就执行对应子链，若都不命中则走默认分支。可以把它理解成链式的 if/else if/else。

适用场景

意图分流：把“数学问答 / SQL 咨询 / 常规闲聊”分到不同处理链。
策略切换：根据上下文选择不同 Prompt / 模型 / 温度或不同的工具集合。
合规与风控：命中敏感词/权限不足 → 分流到“拒答/脱敏/人工审核”链。
降本增效：先走便宜路径（检索/小模型），只有命中特定条件才走贵路径（推理型大模型）。
容错兜底：为无法归类或条件未命中的情况提供稳定的默认输出链。

基础语法

RunnableBranch 是一个类，因此使用的时候需要实例化：

new RunnableBranch({ branches, default })

branches：对应的类型为 Branch<Runinput, Runoutput>[]，其中 Runinput 是条件，Runoutput 是被选中后的子链。
default：无分支命中时执行的 Runnable<RunInput, RunOutput>

RunnableBranch 还有一个静态方法 RunnableBranch.from([...BranchLike[], defaultRunnableLike])，该方法接受一个数组，数组的前 N 项是 [条件, 子链] 的数组，最后一项是默认子链。

RunnableBranch.from([
  [条件1, 子链1],
  [条件2, 子链2],
  [条件3, 子链3],
  默认子链
])

课堂练习

使用 RunnableBranch 创建子链

RunnableLambda

不过现在官方更加推荐使用 RunnableLambda 的方式。因为 RunnableLambda 更灵活，在函数里可以做复杂判别、动态返回任意子链，便于与外部系统结合。

课堂练习

使用 RunnableLambda 重构上面例子

-EOF-

RunnableBranch

import { ChatOllama } from "@langchain/ollama";
import { ChatPromptTemplate, SystemMessagePromptTemplate } from "@langchain/core/prompts";
import { StringOutputParser } from "@langchain/core/output_parsers";
import {
    RunnableBranch,
    RunnableLambda,
    RunnablePassthrough,
    RunnableSequence,
} from "@langchain/core/runnables";

// 1. 模型
const model = new ChatOllama({
    model: "llama3",
});

// 2. 解析器
const parser = new StringOutputParser();

// 3. 三条“领域链” —— 物理 / 数学 / 其他
const physicsChain = ChatPromptTemplate.fromTemplate(
    `
你是一位物理学家，擅长使用中文回答物理相关的问题，当你不知道问题的答案时，你就回答不知道。
具体问题如下：
{input}
`,
)
    .pipe(model)
    .pipe(parser); // 物理链

const mathChain = ChatPromptTemplate.fromTemplate(
    `
你是一个数学家，擅长使用中文回答数学相关的问题，当你不知道问题的答案时，你就回答不知道。
具体问题如下：
{input}
`,
)
    .pipe(model)
    .pipe(parser); // 数学链

const otherChain = ChatPromptTemplate.fromTemplate(
    `
你是一个AI助手，你会使用中文回答以下问题。
具体问题如下：
{input}
`,
)
    .pipe(model)
    .pipe(parser); // 其它链

// 4. 分类链：输出“数学”/“物理”/“其它”
const classifyChain = ChatPromptTemplate.fromMessages([
    [
        "system",
        `
你是一个仅输出标签的分类器。
任务：将用户问题分类为以下三类之一：数学、物理、其它。
规则：
- 只能输出且必须输出其中一个：数学 或 物理 或 其它
- 不要输出任何解释、理由、引号、标点、前后缀或额外空行
- 若不确定，输出：其它
    `.trim(),
    ],
    [
        "human",
        `
问题：
{input}

现在输出分类（仅一个词）：`.trim(),
    ],
])
    .pipe(model)
    .pipe(parser); // 分类链

// 5. TODO
// 分派器：根据 topic 路由到对应子链
const answerBranch = RunnableBranch.from([
    [
        (input) => input.topic.includes("物理"),
        RunnableLambda.from((x) => {
            console.log("执行了物理链");
            return x;
        }).pipe(physicsChain),
    ],
    [
        (input) => input.topic.includes("数学"),
        RunnableLambda.from((x) => {
            console.log("执行了数学链");
            return x;
        }).pipe(mathChain),
    ],
    otherChain,
]);

// 6. 最终组合 - 最终给外部使用的，就是这个 finalChain
const finalChain = RunnableSequence.from([
    // 当前的入参数：{ input: "什么是经典力学？" } --> { input: "什么是经典力学？" , topic: "物理"}
    RunnablePassthrough.assign({
        topic: classifyChain,
    }),
    // RunnablePassthrough.assign()的设计机制：当 assign()方法的参数值是一个 Runnable（可运行对象）时，
    // LangChain 会在执行过程中自动调用该 Runnable，并将其返回值作为新字段的值。
    answerBranch,
]);

// 测试
const run = async () => {
    console.log(await finalChain.invoke({ input: "什么是经典力学？" }));
    console.log(await finalChain.invoke({ input: "对 y = x 求导的结果是多少？" }));
    console.log(await finalChain.invoke({ input: "你好，你是谁？" }));
};
run();

RunnableLambda

import { ChatOllama } from "@langchain/ollama";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { StringOutputParser } from "@langchain/core/output_parsers";
import { RunnableLambda, RunnableSequence } from "@langchain/core/runnables";

// 1. 模型
const model = new ChatOllama({
    model: "llama3",
});

// 2. 解析器
const parser = new StringOutputParser();

// 3. 三条“领域链” —— 物理 / 数学 / 其他
const physicsChain = ChatPromptTemplate.fromTemplate(
    `你是一位物理学家，擅长使用中文回答物理相关的问题，当你不知道问题的答案时，你就回答不知道。
具体问题如下：
{input}`,
)
    .pipe(model)
    .pipe(parser);

const mathChain = ChatPromptTemplate.fromTemplate(
    `你是一个数学家，擅长使用中文回答数学相关的问题，当你不知道问题的答案时，你就回答不知道。
具体问题如下：
{input}`,
)
    .pipe(model)
    .pipe(parser);

const otherChain = ChatPromptTemplate.fromTemplate(
    `你是一个AI助手，你会使用中文回答以下问题。
具体问题如下：
{input}`,
)
    .pipe(model)
    .pipe(parser);

// 4. 分类链：输出“数学”/“物理”/“其它”
const classifyChain = ChatPromptTemplate.fromMessages([
    [
        "system",
        `
你是一个仅输出标签的分类器。
任务：将用户问题分类为以下三类之一：数学、物理、其它。
规则：
- 只能输出且必须输出其中一个：数学 或 物理 或 其它
- 不要输出任何解释、理由、引号、标点、前后缀或额外空行
- 若不确定，输出：其它
    `.trim(),
    ],
    [
        "human",
        `
问题：
{input}

现在输出分类（仅一个词）：`.trim(),
    ],
])
    .pipe(model)
    .pipe(parser); // 分类链

// 路由器
const router = RunnableLambda.from(async ({ input }) => {
    // input : 入参 - “什么是经典力学？”、“对 y = x 求导的结果是多少”
    const topic = await classifyChain.invoke({
        input,
    });
    console.log("当前的分类结果：", topic); // “当前的分类结果： 物理”

    // 根据分类结果，选择一条链条
    const chosenChain = topic.includes("数学")
        ? mathChain
        : topic.includes("物理")
          ? physicsChain
          : otherChain;

    return await chosenChain.invoke({
        input,
    });
});

// 5. 组合为完整链
const finalChain = RunnableSequence.from([RunnableLambda.from((input) => input), router]);

// 测试
const run = async () => {
    console.log(await finalChain.invoke({ input: "什么是经典力学？" }));
    console.log(await finalChain.invoke({ input: "对 y = x 求导的结果是多少？" }));
    console.log(await finalChain.invoke({ input: "你好，你是谁？" }));
};
run();

条件路由 ​

RunnableBranch ​

RunnableLambda ​

RunnableBranch ​

RunnableLambda ​

条件路由

RunnableBranch

RunnableLambda

RunnableBranch

RunnableLambda