LangChain Model I/O (模型输入/输出)

Model I/O 是任何 LLM 应用的核心。LangChain 将这个过程拆解为三个标准步骤：Prompts（提示词）、Models（模型）和 Output Parsers（输出解析器）。

#1. 提示词模版 (Prompts)

不要使用简单的字符串拼接，使用 PromptTemplate 可以让你的应用更具扩展性。

python复制
from langchain_core.prompts import ChatPromptTemplate

template = ChatPromptTemplate.from_messages([
    ("system", "你是一位翻译专家，将内容翻译为 {language}。"),
    ("user", "{text}"),
])

prompt_value = template.invoke({"language": "法文", "text": "你好，世界"})

#2. 聊天模型 (Chat Models)

LangChain 为所有主流模型提供了统一的接口 BaseChatModel。这意味着你可以通过修改一行代码在 GPT-4o 和 Claude 3.5 之间切换。

python复制
from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

# 统一使用 .invoke() 方法
llm = ChatOpenAI(model="gpt-4o")
# 或者切换为 Claude
# llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")

response = llm.invoke("介绍一下 LangChain。")

#3. 输出解析器 (Output Parsers)

模型返回的是字符串（或 Message 对象），但你的程序通常需要结构化数据（如 JSON 或 List）。

python复制
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field

# 定义期望的数据结构
class Joke(BaseModel):
    setup: str = Field(description="笑话的铺垫")
    punchline: str = Field(description="笑话的笑点")

parser = JsonOutputParser(pydantic_object=Joke)

# 组合成一个 Chain
chain = template | llm | parser

result = chain.invoke({"language": "中文", "text": "讲个关于程序员的笑话"})
# result 此时是一个 Python 字典：{"setup": "...", "punchline": "..."}

#4. LCEL (LangChain 表达式语言)

在上面的例子中，| 符号就是 LCEL。它像管道一样将不同的组件连接起来：

• 可读性强：一眼就能看清数据流向。
• 支持流式 (Streaming)：自动处理中间步骤的流。
• 支持异步 (Async)：天然支持 ainvoke。

#5. 常见交互模式

• Bind: 给模型绑定参数（如指定 stop 词或 tools）。
• Fallbacks: 定义备选模型。如果 GPT-4 挂了，自动切换到 Claude。
• Batch: 同时处理多个请求。

---

下一步：当你的应用需要记住之前的对话时，你需要学习 Memory 记忆系统。