---

一、LangChain ModelsIO

1、简介

LangChain 实质上是对大语言模型（LLM）的一个扩展封装，其主要目的仍然是为了更好的使用大语言模型。

通过 LangChain，用户可以通过输入文本或补充模板信息来获取符合需求的文本输出。不难看出 LangChain 最终操作的结果都是字符串，因此在使用过程中不可避免地涉及到大量的文本处理工作，例如输入的格式化和输出结果的解析等。

2、Models I/O 的应用场景

文本处理工作既复杂又重复，对于开发者来说是一个必要但不重要的繁琐步骤。

LangChain 深知文本处理的痛点，因此提供了 Prompt Templates 和 Output Parser 抽象。用户可以根据自己的需求选择合适的实现类型，从而简化文本处理工作，提高开发效率。I/O 最主要的需要包含以下两个部分：

• Prompt Templates: 负责请求数据的准备步骤。
• Output Parser：则用于解析输出结果。

这样开发者就可以专注于业务逻辑的实现，而无需过多关注底层的文本处理细节。这种抽象的设计使得 LangChain 在大语言模型应用开发中具有更强的灵活性和可扩展性。

3、Models I/O 主要模块

3.1、Prompts

提示指的是将用户输入转换为语言模型的输入。这个提示由提示模板完成，它将用户的输入转换为一系列消息列表或最终的字符串对象。LangChain 提供了多种抽象，使得操作提示变得更加简单和灵活。

包含以下几种类型：

• PromptValue：包含一个要转换为字符串的方法，以及一个要转换为消息列表的方法。
• PromptTemplate：由模板字符串组成，格式化用户输入转为大语言模型的输入。
• MessagePromptTemplate：由模板消息和一个 PromptTemplate 组成，将用户输入进行格式化，以生成最终字符串，即为消息的 content。
• MessagesPlaceholder：消息的输入可以是消息列表。
• ChatPromptTemplate：由 MessagePromptTemplate 和 MessagesPlaceholder 的列表组成，根据用户输入对这些内容进行格式化以生成最后的消息列表。

3.2、Models

LangChain 集成的模型主要有两个类型：LLMs 和聊天模型。

LLMs：指的是纯文本补全模型，包装的 API 将字符串提示作为输入并输出字符串完成。
Chat Models：聊天模型在 LLMs 的基础上针对对话进行了调整。将包含聊天消息的列表作为输入，
不同模型适合不同的提示策略，这意味着为一种模型设计的优化提示可能无法直接应用于其他模型。虽然 LangChain 提供了许多默认提示，但无法保证这些默认提示在所有模型中都能发挥良好的效果。

a、MESSAGES 类型

ChatModels 将详细列表作为输入并返回消息。所有消息都有一个 role 和 content 属性。role 代表消息的发出者是谁，content 描述了消息的具体内容，可能是几种不同的内容形式

除了上述两种类型外，消息还有一个 additional_kwargs 的属性，可以传递消息的附加信息，例如 OpenAI 的 function_call 。

类型	作用
HumanMessage	代表用户的消息。
AIMessage	代表模型输出的消息。
SystemMessage	代表系统消息。
FunctionMessage	表示函数调用的结果，该参数为被调用的函数的名称。
ToolMessage	表示工具调用的结果，对应匹配 OpenAI 的 function 和 tool 消息类型。

3.3、Output Parsers

输出解析器是用来处理模型生成的文本输出的组件，它接收模型的输出并将其转换为更易于使用的形式。

通常，输出解析器会将模型输出中的信息提取出来，特别是针对输出信息中的内容部分，有时也会处理额外的参数，如 additional_kwargs 字段中的值。

常见的输出解析器类型有如下几种：

• StrOutputParser：把语言模型的输出转换为字符串。
• OpenAI Functions Parsers：用于处理 OpenAI 函数调用，获取并使用 function_call 和 arguments 参数。
• Agent Output Parsers：根据用户输入和应用场景，选择合适的方案来执行操作。

二、LangChain ModelsIO Prompts

1、简介

在 LangChain Models 中输入和输出同样重要，Promots 即为对输入信息的处理。这些提示是用户提供给模型的一组指令或输入，旨在触发模型生成响应并协助理解上，以生成相关且连贯的语言的输出。

但是涉及到提示的内容过于冗长，并且很多是重复且不需要每次关注的内容，为了简化这一过程并提高效率，Prompts 提供了许多模板类型，使得输入步骤变得更加简洁高效。

2、Prompts 的优点

LangChain 提供的常见模板能够帮助用户快速构建适当的输入，以获得相对准确的输出结果。Langchain 的目标是创建出与模型无关的模板，以便能够轻松地跨不同语言模板重用现有模板。

模板可以包括说明、少量示例以及适合给定任务的特定上下文和问题。

并且所有模板都实现了 Runnable 接口，在内部完成对于 Runnable 的实现，这样用户可以轻松的使用 LCEL 将 prompt 与其他的 Runnable 对象连接起来。

3、实战示例

3.1、PromptTemplate 提示模板的用法

使用 PromptTemplate 创建字符串提示模板，默认情况下 PromptTemplate 使用 Python 的 str.format 语法进行模板化。

用户只需要自定义的消息提示语，将不同部分用插值的方式表示来自定义提示模板。

PromptTemplate 支持多个变量，如下代码所示：

from langchain_core.prompts import PromptTemplate
# 定义一个包含两个变量的提示模板
prompt = PromptTemplate.from_template(
    "给出一个{topic} 的广告, 它的价格是 {price} ￥，广告需要能够引起用户的兴趣")
# 格式化并传入参数
print(prompt.format(topic='冰淇淋', price=3))
# 给出一个冰淇淋的广告, 它的价格是 3 ￥，广告需要是能够引起用户兴趣的

除了支持多个变量之外，还支持无变量的形式，如下代码所示：

from langchain_core.prompts import PromptTemplate
# 定义一个包含两个变量的提示模板
prompt = PromptTemplate.from_template("告诉我一个广告")
# 格式化并传入参数
print(prompt.format())
# 告诉我一个广告

3.1.1、LCEL 表达式

PromptTemplate 接受字典并返回 StringPromptValue。

# 定义一个包含两个变量的提示模板
prompt = PromptTemplate.from_template(
    "给出一个{topic} 的广告, 它的价格是 {price} ￥，广告需要能够引起用户的兴趣")
# invoke 调用
prompt_val = prompt.invoke({"topic": "冰淇淋", "price": "3"})
print(prompt_val)
# text='给出一个冰淇淋的广告, 它的价格是 3 ￥，广告需要是能够引起用户兴趣的'

通过 to_string() 方法能够将结果转换为字符串

# 定义一个包含两个变量的提示模板
prompt = PromptTemplate.from_template(
    "给出一个{topic} 的广告, 它的价格是 {price} ￥，广告需要能够引起用户的兴趣")
# invoke 调用
prompt_val = prompt.invoke({"topic": "冰淇淋", "price": "3"})
print(prompt_val)
# text='给出一个冰淇淋的广告, 它的价格是 3 ￥，广告需要是能够引起用户兴趣的'
print(prompt_val.to_string())
#给出一个冰淇淋 的广告, 它的价格是 3 ￥，广告需要能够引起用户的兴趣

3.2、ChatPromptTemplate 聊天提示模板的用法

聊天模型的提示是聊天消息列表，传入时需要传入一个消息的列表，其中传入的消息都需要与 OpenAI 消息列表的 role 相关，每个 role 对应的有不同的文本描述用来串联上下文，Langchain 同样提供这样的形式来完成对 role 和 content 的定义，以实现更为方便的构建聊天提示。

聊天提示模板有两种书写方式：

• 二元组。
• MessagePromptTemplate 或 BaseMessage 的实例。

3.2.1、二元组

代码示例如下所示：

# 制定模板
chat_prompt = ChatPromptTemplate.from_messages(
    [("system", "你是一个游戏的 npc，有三个任务让玩家完成，需要给出玩家三个任务，并且规定出完成的标准。"),
     ("human", "你好，我是这个游戏的玩家"),
     ("ai", "{user} 玩家你好，欢迎来到这个游戏"),
     ("human", "{user_input}"),
     ])
# 格式化消息列表，并且传入参数
messages = chat_prompt.format_messages(user="ling", user_input="你好，我需要做什么")
print(messages)
# [SystemMessage(content='你是一个游戏的 npc，有三个任务让玩家完成，需要给出玩家三个任务，并且规定出完成的标准。'), HumanMessage(content='你好，我是这个游戏的玩家'), AIMessage(content='ling 玩家你好，欢迎来到这个游戏'), HumanMessage(content='你好，我需要做什么')]

3.2.2、MessagePromptTemplate 或 BaseMessage 的实例

chat_template = ChatPromptTemplate.from_messages(
    [
        SystemMessage(content=(
            "你是一个擅长制定计划的助手"
            "计划需要贴合用户需求，给出详细的时间节点和任务指标"
        )),
        HumanMessagePromptTemplate.from_template("{user_req}")
    ]
)
messages_o = chat_template.format_messages(user_req="我想要一个旅行计划")
print(messages_o)
# [SystemMessage(content='你是一个擅长制定计划的助手计划需要贴合用户需求，给出详细的时间节点和任务指标'), HumanMessage(content='我想要一个旅行计划')]

3.3、LCEL 表达式

ChatPromptValue 接受字典并返回转换后消息的值。可以转换为消息列表或者是转换为字符串。

# 使用 invoke 方式调用
chat_prompt = ChatPromptTemplate.from_messages(
    [("system", "你是一个游戏的 npc，有三个任务让玩家完成，需要给出玩家三个任务，并且规定出完成的标准。"),
     ("human", "你好，我是这个游戏的玩家"),
     ("ai", "{user} 玩家你好，欢迎来到这个游戏"),
     ("human", "{user_input}"),
     ])
chat_val = chat_prompt.invoke({"user": "ling", "user_input": "你好，我需要做什么"})
print(chat_val)
# messages=[SystemMessage(content='你是一个游戏的 npc，有三个任务让玩家完成，需要给出玩家三个任务，并且规定出完成的标准。'), HumanMessage(content='你好，我是这个游戏的玩家'), AIMessage(content='ling 玩家你好，欢迎来到这个游戏'), HumanMessage(content='你好，我需要做什么')]
print(chat_val.to_string())
"""
System: 你是一个游戏的 npc，有三个任务让玩家完成，需要给出玩家三个任务，并且规定出完成的标准。
Human: 你好，我是这个游戏的玩家
AI: ling 玩家你好，欢迎来到这个游戏
Human: 你好，我需要做什么
"""