LangChain-模型输入输出 (Model I/O)

模型输入输出是LangChain的核心组件，负责处理与各种语言模型的交互。本文档详细介绍了这些组件的功能和使用方法。

概述

模型输入输出组件负责：

1. 连接各种语言模型：统一不同提供商的模型接口
2. 格式化输入：将原始输入转换为模型可理解的格式
3. 处理输出：解析和格式化模型的输出内容

这些组件构成了LangChain应用程序的基础，是构建各种AI应用的起点。

主要组件

1. 语言模型 (LLMs)

语言模型组件处理文本到文本的生成任务：

from langchain_openai import OpenAIllm = OpenAI(temperature=0.7)
result = llm.invoke("介绍一下中国的四大发明")
print(result)

主要特点：

• 接收文本输入，返回文本输出
• 支持参数调整（温度、最大生成长度等）
• 提供多种模型类型和供应商选择

支持的主要模型：

• OpenAI - GPT-3.5, GPT-4等
• Anthropic - Claude系列
• 百度文心 - ERNIE-Bot系列
• 阿里通义 - 通义千问系列
• 本地模型 - Hugging Face模型、LLaMA等

2. 聊天模型 (Chat Models)

聊天模型组件专门处理多轮对话交互：

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessagechat = ChatOpenAI()
messages = [SystemMessage(content="你是一位友好的AI助手"),HumanMessage(content="你好！请介绍一下自己")
]
response = chat.invoke(messages)
print(response.content)

主要特点：

• 使用消息列表作为输入（系统消息、用户消息、助手消息）
• 返回结构化消息对象
• 支持多轮对话上下文

消息类型：

• SystemMessage: 设置模型行为和角色的系统指令
• HumanMessage: 用户输入信息
• AIMessage: AI回复内容
• FunctionMessage: 函数调用结果
• ToolMessage: 工具使用的消息

3. 提示模板 (Prompt Templates)

提示模板用于动态构建发送给模型的提示：

from langchain_core.prompts import PromptTemplate, ChatPromptTemplate# 文本提示模板
template = PromptTemplate.from_template("请介绍{country}的{topic}")
prompt = template.format(country="中国", topic="传统节日")# 聊天提示模板
chat_template = ChatPromptTemplate.from_messages([("system", "你是一位{role}专家，擅长解答{field}问题"),("human", "请回答：{question}")
])
messages = chat_template.format_messages(role="历史",field="中国古代文化",question="唐朝的科举制度是怎样的？"
)

主要特点：

• 支持变量插入
• 支持条件逻辑
• 允许组合多个模板

4. 输出解析器 (Output Parsers)

输出解析器将模型输出转换为结构化数据：

from langchain_core.output_parsers import StrOutputParser, PydanticOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field
from typing import List# 简单字符串解析
parser = StrOutputParser()# 结构化数据解析
class Movie(BaseModel):title: str = Field(description="电影标题")director: str = Field(description="导演姓名")year: int = Field(description="上映年份")rating: float = Field(description="评分（1-10）")structured_parser = PydanticOutputParser(pydantic_object=Movie)# 在格式化指令中使用
format_instructions = structured_parser.get_format_instructions()
template = """生成一部经典电影的信息。
{format_instructions}
电影类型: {genre}"""prompt = PromptTemplate(template=template,input_variables=["genre"],partial_variables={"format_instructions": format_instructions}
)

主要解析器类型：

• StrOutputParser: 简单字符串提取
• PydanticOutputParser: 将输出解析为Pydantic模型
• JsonOutputParser: 将输出解析为JSON结构
• XMLOutputParser: 将输出解析为XML结构
• CommaSeparatedListOutputParser: 将输出解析为逗号分隔的列表

高级用法

流式处理

流式处理允许逐步接收模型生成的内容：

from langchain_openai import ChatOpenAIchat = ChatOpenAI(streaming=True)for chunk in chat.stream("写一首关于人工智能的短诗"):print(chunk.content, end="")

模型参数调整

调整模型的生成行为：

from langchain_openai import ChatOpenAI# 创造性参数调整
creative_model = ChatOpenAI(model="gpt-4",temperature=0.9,  # 提高随机性max_tokens=2000,  # 设置最大生成长度top_p=0.95,  # 控制词汇多样性frequency_penalty=0.5  # 减少重复
)# 精确模式
precise_model = ChatOpenAI(model="gpt-4",temperature=0.1,  # 降低随机性，更确定性的输出max_tokens=500
)

使用多模型

在不同场景使用不同模型：

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic
from langchain_qianfan import ChatQianfanmodels = {"general": ChatOpenAI(model="gpt-3.5-turbo"),  # 通用对话"complex": ChatOpenAI(model="gpt-4"),  # 复杂推理"creative": ChatAnthropic(model="claude-3-opus-20240229"),  # 创意写作"chinese": ChatQianfan()  # 中文处理优化
}def get_appropriate_model(task):if task == "creative_writing":return models["creative"]elif task == "complex_reasoning":return models["complex"]elif task == "chinese_content":return models["chinese"]else:return models["general"]

函数调用

让模型选择并调用函数：

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI@tool
def get_weather(location: str, unit: str = "celsius"):"""获取指定位置的天气信息"""# 这里应该有实际的API调用，这里用模拟数据weather_data = {"北京": "晴朗，25°C", "上海": "多云，28°C"}return weather_data.get(location, "未知地区")@tool
def calculate(expression: str):"""计算数学表达式"""return eval(expression)# 设置模型和工具
model = ChatOpenAI()
tools = [get_weather, calculate]# 使用函数调用
response = model.invoke("北京今天的天气怎么样？另外，计算一下25乘以4等于多少？",tools=tools
)print(response)

处理上下文窗口限制

处理长文本输入：

from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import ChatOpenAI# 长文本处理
def process_long_text(text):# 分割文本为小块splitter = RecursiveCharacterTextSplitter(chunk_size=4000,chunk_overlap=200)chunks = splitter.split_text(text)# 处理各个文本块model = ChatOpenAI()results = []for chunk in chunks:response = model.invoke(f"请总结以下内容：{chunk}")results.append(response.content)# 合并结果combined = "\n\n".join(results)final_summary = model.invoke(f"请将以下多个摘要整合为一个连贯的总结：{combined}")return final_summary.content

集成实例

基本链式处理

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser# 创建基本组件
prompt = ChatPromptTemplate.from_template("请用中文回答：{question}")
model = ChatOpenAI()
output_parser = StrOutputParser()# LCEL组合
chain = prompt | model | output_parser# 执行链
result = chain.invoke({"question": "人工智能的发展历史是什么？"})
print(result)

使用记忆组件

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.memory import ConversationBufferMemory
from langchain_core.runnables.history import RunnableWithMessageHistory# 创建带有历史的提示模板
prompt = ChatPromptTemplate.from_messages([("system", "你是一位友好的AI助手。"),MessagesPlaceholder(variable_name="history"),("human", "{input}")
])# 创建链
chain = prompt | model | output_parser# 添加记忆组件
store = {}
memory = ConversationBufferMemory(return_messages=True,memory_key="history"
)chain_with_history = RunnableWithMessageHistory(chain,lambda session_id: memory,input_messages_key="input",history_messages_key="history"
)# 使用带历史的链
response1 = chain_with_history.invoke({"input": "你好！"},config={"configurable": {"session_id": "user1"}}
)response2 = chain_with_history.invoke({"input": "我们刚才聊了什么？"},config={"configurable": {"session_id": "user1"}}
)

总结

模型输入输出组件是LangChain的基础构建块，它们提供与语言模型交互的标准接口。通过这些组件，您可以：

1. 连接各种大语言模型
2. 动态构建提示
3. 解析和结构化输出
4. 处理多轮对话
5. 实现高级功能如流式处理、函数调用等

正确使用这些组件是构建高效且可靠的LLM应用的关键。根据不同的应用场景，组合使用这些组件，可以满足各种复杂需求。

后续学习

• 提示模板 - 进一步了解提示工程
• 输出解析器 - 深入学习输出处理
• 记忆系统 - 学习管理对话历史
• 链 - 组合多个组件构建复杂应用