LangChain模块（一）Models模型与调用抽象（1）提示模板

Model I/O

我们可以把对模型的使用过程拆解成三块，分别是输入提示（对应图中的 Format）、调用模型（对应图中的 Predict）和输出解析（对应图中的 Parse）。这三块形成了一个整体，因此在 LangChain 中这个过程被统称为 Model I/O（Input/Output）。

在模型 I/O 的每个环节，LangChain 都为咱们提供了模板和工具，快捷地形成调用各种语言模型的接口。

1、提示模板

使用模型的第一个环节是把提示信息输入到模型中，你可以创建 LangChain 模板，根据实际需求动态选择不同的输入，针对特定的任务和应用调整输入。

LangChain 提供了多个类和函数，也为各种应用场景设计了很多内置模板，使构建和使用提示变得容易。

模板的用法见 python类库（一）模板-CSDN博客

使用 LangChain 和提示模板的好处是：

（1）代码的可读性：使用模板的话，提示文本更易于阅读和理解，特别是对于复杂的提示或多变量的情况。

（2）可复用性：

模板可以在多个地方被复用，让你的代码更简洁，不需要在每个需要生成提示的地方重新构造提示字符串。

（3）维护：

如果你在后续需要修改提示，使用模板的话，只需要修改模板就可以了，而不需要在代码中查找所有使用到该提示的地方进行修改。

（4）变量处理：

如果你的提示中涉及到多个变量，模板可以自动处理变量的插入，不需要手动拼接字符串。

（5）参数化

模板可以根据不同的参数生成不同的提示，这对于个性化生成文本非常有用。

2、语言模型

LangChain 允许你通过通用接口来调用语言模型。这意味着无论你要使用的是哪种语言模型，都可以通过同一种方式进行调用，这样就提高了灵活性和便利性。LangChain 中支持的模型有三大类。

（1）大语言模型（LLM）

也叫 Text Model，这些模型将文本字符串作为输入，并返回文本字符串作为输出。Open AI 的 text-davinci-003、Facebook 的 LLaMA、ANTHROPIC 的 Claude，都是典型的 LLM。

（2）聊天模型（Chat Model）

主要代表 Open AI 的 ChatGPT 系列模型。这些模型通常由语言模型支持，但它们的 API 更加结构化。具体来说，这些模型将聊天消息列表作为输入，并返回聊天消息。

（3）文本嵌入模型（Embedding Model）

这些模型将文本作为输入并返回浮点数列表，也就是 Embedding。而文本嵌入模型如 OpenAI 的 text-embedding-ada-002，文本嵌入模型负责把文档存入向量数据库，和提示工程关系不大。

3、输出解析

LangChain 还提供了从模型输出中提取信息的功能。通过输出解析器，你可以精确地从模型的输出中获取需要的信息，而不需要处理冗余或不相关的数据，更重要的是还可以把大模型给回的非结构化文本，转换成程序可以处理的结构化数据。

一、提示模板入门demo

代码

调用open ai

# 导入LangChain中的提示模板 from langchain.prompts import PromptTemplate # 创建原始模板 template = """您是一位专业的鲜花店文案撰写员。\n 对于售价为 {price} 元的 {flower_name} ，您能提供一个吸引人的简短描述吗？ """ # 根据原始模板创建LangChain提示模板 prompt = PromptTemplate.from_template(template) # 打印LangChain提示模板的内容 print(prompt) # 设置OpenAI API Key import os os.environ["OPENAI_API_KEY"] = '你的Open AI API Key' # 导入LangChain中的OpenAI模型接口 from langchain_openai import OpenAI # 创建模型实例 model = OpenAI(model_name='gpt-3.5-turbo-instruct') # 输入提示 input = prompt.format(flower_name=["玫瑰"], price='50') # 得到模型的输出 output = model.invoke(input) # 打印输出内容 print(output)

由于我没有open ai的key，我调用了内部的llm gateway：

# 导入LangChain中的提示模板 from langchain_core.prompts import PromptTemplate from langchain_openai import ChatOpenAI # 1、创建原始模板 template = """您是一位专业的鲜花店文案撰写员。\n 对于售价为 {price} 元的 {flower_name} ，您能提供一个吸引人的简短描述吗？ """ # 根据原始模板创建LangChain提示模板 prompt = PromptTemplate.from_template(template) # 打印LangChain提示模板的内容 #print(prompt) # 2. 初始化你的 gateway LLM llm = ChatOpenAI( model="gpt-5.1", base_url="https://llm-gateway-xxx.xx.xxx/v1", api_key="dummy", default_headers={ "X-Api-Key": "******", } ) # 3. 格式化输入 input_text = prompt.format( flower_name="玫瑰", price="50" ) # 4. 调用模型 resp = llm.invoke(input_text) # 5. 输出结果 print(resp.content)

输出

思考

使用 LangChain 的意义究竟何在呢？直接调用 Open AI 的 API，可以实现相同的功能吗？可以

import openai # 导入OpenAI openai.api_key = 'Your-OpenAI-API-Key' # API Key prompt_text = "您是一位专业的鲜花店文案撰写员。对于售价为{}元的{}，您能提供一个吸引人的简短描述吗？" # 设置提示 flowers = ["玫瑰", "百合", "康乃馨"] prices = ["50", "30", "20"] # 循环调用Text模型的Completion方法，生成文案 for flower, price in zip(flowers, prices): prompt = prompt_text.format(price, flower) response = openai.completions.create( engine="gpt-3.5-turbo-instruct", prompt=prompt, max_tokens=100 ) print(response.choices[0].text.strip()) # 输出文案

LangChain 的优势所在：我们只需要定义一次模板，就可以用它来生成各种不同的提示。对比单纯使用 f-string 来格式化文本，这种方法更加简洁，也更容易维护。而 LangChain 在提示模板中，还整合了 output_parser、template_format 以及是否需要 validate_template 等功能。

更重要的是，使用 LangChain 提示模板，我们还可以很方便地把程序切换到不同的模型，而不需要修改任何提示相关的代码。