LangChain框架的输入输出

LangChain框架的输入输出（I/O）流程是一个标准化的数据处理管道，主要由提示、语言模型和输出解析器三个核心组件构成，它们协同工作实现与语言模型的交互。

8.2.1  提示

提示（Prompt）是向语言模型提供的输入文本，用于引导模型生成特定类型的回答。LangChain提供了多种提示模板，让你可以动态地构建提示。提示的关键特性包括模板化和多类型支持。

（1）模板化：使用PromptTemplate将用户输入（如变量）动态嵌入预定义的文本模板（如“解释{term}的概念”）。

（2）多类型支持：包括少量示例提示（FewShotPromptTemplate）和对话提示（ChatPromptTemplate）等。

【示例8.1】提示。

from langchain.prompts import PromptTemplate

# 创建一个提示模板

prompt = PromptTemplate(

    input_variables=["topic"],

    template="请简要解释一下{topic}的基本概念。"

)

# 格式化提示

formatted_prompt = prompt.format(topic="量子计算")

print(formatted_prompt)  # 输出: "请简要解释一下量子计算的基本概念。"

输出：

请简要解释一下量子计算的基本概念。

8.2.2  语言模型

LangChain支持多种语言模型（Language Model），包括OpenAI、Hugging Face等。你可以直接调用这些模型来处理提示并生成回答。语言模型接收提示并生成文本输出，主要分为大语言模型（LLM）和聊天模型（Chat Model）。

（1）大语言模型：如OpenAI的text-davinci-003，生成非结构化文本。

（2）聊天模型：如GPT-3.5-Turbo，专为多轮对话设计，输入/输出为结构化消息（HumanMessage、AIMessage）。

【示例8.2】语言模型Qwen+LangChain。

from modelscope import AutoModelForCausalLM, AutoTokenizer

from langchain.prompts import PromptTemplate

import os

# 设置镜像和缓存路径

#os.environ['MODELSCOPE_CACHE'] = './model_cache' #直接使用示例2.1下载的模型Qwen3-1.7B

os.environ['MODELSCOPE_MIRROR'] = 'https://www.modelscope.cn'

# 创建提示模板

prompt = PromptTemplate(

    input_variables=["topic"],

    template="请简要解释一下{topic}的基本概念。"

)

formatted_prompt = prompt.format(topic="量子计算")

print(formatted_prompt)

try:

    # 尝试初始化模型

    model_id = "qwen/Qwen3-1.7B"

    tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)

    model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto", trust_remote_code=True)

    # 生成回答

    inputs = tokenizer(formatted_prompt, return_tensors="pt").to("cuda")

    outputs = model.generate(**inputs, max_new_tokens=200)

    response = tokenizer.decode(outputs[0], skip_special_tokens=True)

    print(response)

except Exception as e:

    print(f"加载模型时出错: {e}")

    print("请检查网络连接或尝试使用离线模式")

输出：

请简要解释一下量子计算的基本概念。

量子计算是一种基于量子力学原理进行信息处理的计算方式。与传统计算机使用二进制位（0和1）不同，量子计算使用量子比特（qubit），它可以处于0、1的叠加态，并且多个量子比特之间可以形成纠缠关系。这使得量子计算机在解决某些特定问题（如大数分解、数据库搜索、量子模拟等）时，能够展现出远超传统计算机的计算能力，有望在密码学、材料科学、人工智能等领域带来革命性突破。

8.2.3  输出解析器

输出解析器（Output Parser）用于处理语言模型的输出，将其转换为结构化的数据（如JSON、列表等）。因此，它在需要特定格式回答的场景中特别有用。输出解析器的常用类型包括：

（1）结构化解析器：强制输出为指定格式（如PydanticOutputParser）。

（2）列表解析器：拆分逗号分隔的字符串为列表（CommaSeparatedListOutputParser）。

（3）重试解析器：自动修复格式错误的输出。

【示例8.3】输出解析器。

from langchain.output_parsers import CommaSeparatedListOutputParser

# 初始化输出解析器

output_parser = CommaSeparatedListOutputParser()

# 假设模型输出是一个逗号分隔的列表

model_output = "人工智能,机器学习,深度学习"

# 解析输出

parsed_output = output_parser.parse(model_output)

print(parsed_output)  # 输出: ['人工智能', '机器学习', '深度学习']

输出：

['人工智能', '机器学习', '深度学习']