Model I/O简介

Model I/O模块其实就是提供了语言模型的基础构建接口，那既然是提供构建的接口，我们首先要知道，构建一个模型到底需要哪一些部分。官方给出了一个图例如下：
在这里插入图片描述
从上面可以看出，在整个工作的流程中，数据通过一定的格式（Format）组织起来，送入到模型中进行预测（Predict），最后将预测结果进行解析（Parse）输出。
从上面可以总结出，整个模型的构建包括了：

输入部分
语言模型构建部分
输出部分

输入部分（Prompts）

在LLM领域，我们把模型的输入称作Prompts，因为对于大语言模型来说，你如果要用好他，通常不会简单的抛出一个问题给他，而是会给他一些前提设定，甚至还会给他看一些案例，诸如你问chatgpt：“能不能帮我翻译一下下面的英文”，此时最好是不要直接发问，而是应该先和模型说：你是一个中英翻译专家，这样它才能回答得更好。所以我们可以大致拆解一下一个prompt大致有哪些东西组成

对语言模型的身份设定描述（可选）
一些回答案例，帮助回答得更好（可选）
具体要问的问题（必选）

langchain针对以上的prompts的三个组成部分，提供了一些组件和接口来实现。

PromptTemplate

PromptTemplate提供了语言模型输入的构建方式，下面我先抛出代码，然后进行解释

from langchain import PromptTemplate

prompt = PromptTemplate(
    input_variables=['product'],
    template="""
        what is a good name for a company that makes {product}?
    """
)

print(prompt.format(product="colorful socks"))

what is a good name for a company that makes colorful socks?

在PromptTemplate中，需要指定两个东西:

template：我们要发问的问题，但是当我们用户在发问的时候，并不需要每一次都输入完整的这句话，而只需要输入一小部分，这一小部分就是用中括号括起来的变量，这个变量需要在input_variables变量中指定；
input_variables：指定template中实际需要用户输入的变量；

从上面的解释可以看出，我们在对话的过程中，实际只需要输入input_variables的部分，其他的不需要重复输入，这也是PromptTemplate中有一个Template的原因，它是一个固定模板。同时也可以理解为什么最开始官方给的图中Format那里就像一个插槽一样，我们只需要讲用户输入的少部分数据插入到模板中，组成完整的prompt，然后送给模型就可以了。

改进一：设定模型角色
为了让模型回答得更好，可以设定模型的角色，其实也就是添加了一句说明

from langchain import PromptTemplate

prompt = PromptTemplate(
    input_variables=['product'],
    template="""
        You are a naming consultant for new companies.
        what is a good name for a company that makes {product}?
    """
)

print(prompt.format(product="colorful socks"))

from_template

当然以上的初始化需要显示的在input_variables中指定我们需要输入的变量，如果你角色这很麻烦，PromptTemplate还提供了一个from_template方法，让langchain自动识别出需要输入的变量。

from langchain import PromptTemplate
template1 = """
    You are a naming consultant for new companies.
    what is a good name for a company that makes {product}?
"""
prompt = PromptTemplate.from_template(template1)
print(prompt.format(product="colorful socks"))

ChatPromptTemplate

在langchain中，对话模型（Chat Model）和大语言模型(LLMs)是稍有区分的，对话模型可以理解为是LLMs高级封装，它有更规范的输入和输出，而规范的输出就是通过ChatPromptTemplate来实现的。
在上面一小节中，是针对LLMs的，可以看出，我们关于模型的身份设定，人类提问是不做区分的，就在一个字符串中一起描述就行，但是在Chat Model是严格区分的。分别用SystemMessagePromptTemplate和SystemMessagePromptTemplate来指定。

下面对上一小节的内容进行改造

from langchain.prompts import (
    ChatPromptTemplate,
    PromptTemplate,
    SystemMessagePromptTemplate,
    AIMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

system_prompt = PromptTemplate(
    input_variables=['test'],
    template="""
        You are a naming consultant for new {test}.
    """
)
system_message_prompt = SystemMessagePromptTemplate(prompt=system_prompt)
human_prompt = PromptTemplate(
    input_variables=['product'],
    template="""
        what is a good name for a company that makes {product}?
    """
)
human_message_prompt = HumanMessagePromptTemplate(prompt=human_prompt)

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt,human_message_prompt])
print(chat_prompt.format_prompt(test='compies',product='colorful socks'))