在如今的自然语言处理领域，LangChain 提供了一套面向大型语言模型（LLM）的标准化模型接口，称为 Model I/O。这套接口包含三个核心组件：模型输入（Prompts）、模型输出（Output Parsers）和模型本身（Models）。本文将深入探讨模型输入（Prompts）和模型输出（Output Parsers），帮助开发者更高效地与语言模型进行交互，并结合具体业务场景，展示其在实际应用中的价值。
一、模型输入 Prompts
模型的提示是用户提供的一组指令或输入，用于引导模型的响应，帮助其理解上下文并生成相关和连贯的语言输出。例如，回答问题、完成句子或进行对话。1. 提示模板（Prompt Templates）
提示模板提供了一种预定义、动态注入、模型无关和参数化的提示词生成方式，以便在不同的语言模型之间重用模板。一个模板可能包括指令、少量示例以及适用于特定任务的具体背景和问题。通常，提示要么是一个字符串（适用于 LLMs），要么是一组聊天消息（适用于聊天模型）。1.1 实例化 PromptTemplate 类生成提示词
PromptTemplate 类的实例使用 Python 的 str.format 语法生成模板化提示；也可以使用其他模板语法（例如 jinja2）。可以通过 from_template 方法实例化 PromptTemplate。提示模板通过参数化的方式，使得开发者可以根据不同的输入生成多样化的提示。这种灵活性使得提示模板在处理不同任务时都能保持一致的格式和结构。在客户支持系统中，客服人员需要根据客户的问题提供准确的回答。使用 PromptTemplate 可以生成标准化的回答模板，提高响应速度和一致性。from langchain import PromptTemplate
template = "客户问题：{question}\n请提供详细的解答："prompt = PromptTemplate.from_template(template)input_variables = {"question": "如何重置我的密码？"}print(prompt.format(input_variables))
1.2 使用构造函数实例化 PromptTemplate
使用构造函数实例化 PromptTemplate 时必须传入参数 input_variables 和 template。在生成提示过程中，会检查输入变量与模板字符串中的变量是否匹配，如果不匹配，则会引发异常。通过构造函数实例化 PromptTemplate，可以确保模板在生成过程中输入变量的一致性和准确性。这对于需要严格控制输入输出格式的应用场景尤为重要。市场调研需要生成一致的调研问卷。使用 PromptTemplate 可以确保每个问卷的问题和格式保持一致。from langchain import PromptTemplate
prompt_template = PromptTemplate(input_variables=["topic"],template="请您分享对{topic}的看法。")print(prompt_template.format(topic="新产品功能"))
1.3 使用 jinja2 生成模板化提示
可以通过 jinja2 库生成更复杂的模板化提示。jinja2 提供了强大的模板功能，支持条件语句和循环，可以生成更复杂和动态的提示。这使得开发者可以灵活地根据不同场景生成所需的提示。内容生成需要根据特定主题创建详细的文章。使用 jinja2 可以生成包含多个变量的复杂提示。from jinja2 import Template
template = Template("请撰写一篇关于{{ topic }}的文章，重点讨论{{ aspect }}。")prompt = template.render(topic="人工智能", aspect="未来发展")print(prompt)
1.4 使用 ChatPromptTemplate 类生成适用于聊天模型的聊天记录
ChatPromptTemplate 类的实例使用 format_messages 方法生成适用于聊天模型的提示。可以通过 from_messages 方法实例化 ChatPromptTemplate。聊天模型需要处理多轮对话，保持上下文一致性。ChatPromptTemplate 可以管理和格式化聊天记录，确保每次对话都能根据上下文生成连贯的回复。虚拟助手需要处理多轮对话，保持上下文一致。使用 ChatPromptTemplate 可以管理聊天记录，提高对话的连贯性。from langchain import ChatPromptTemplate
chat_prompt = ChatPromptTemplate.from_messages([{"role": "system", "content": "你是一名帮助用户的助手。"},{"role": "user", "content": "你能告诉我今天的天气吗？"}])messages = chat_prompt.format_messages()print(messages)
1.5 使用 FewShotPromptTemplate 类生成 Few-shot Prompt
构造 few-shot prompt 的方法通常有两种：从示例集中手动选择；通过示例选择器自动选择。Few-shot learning 通过提供少量示例，帮助模型更好地理解任务要求。FewShotPromptTemplate 可以灵活地从示例集中选择合适的示例，提高模型生成答案的质量。在知识库问答系统中，需要提供基于多个示例的回答。使用 FewShotPromptTemplate 可以在回答中包含多个示例，提高回答的准确性和丰富性。from langchain import FewShotPromptTemplate
examples = [{"input": "你好", "output": "你好，有什么可以帮你的吗？"},{"input": "今天的天气怎么样？", "output": "今天的天气很不错，晴朗无云。"}]
few_shot_prompt = FewShotPromptTemplate.from_examples(examples=examples,prefix="这是一些对话示例：",suffix="请基于上面的示例生成你的回答：",input_variables=["input"])print(few_shot_prompt.format(input="我想知道最新的新闻"))
2. 示例选择器（Example Selectors）
如果有大量的参考示例，就需要选择哪些要包含在提示中。根据某种条件或者规则自动选择示例是一个好的实践。Example Selector 是负责这个任务的类。BaseExampleSelector 类定义
from abc import ABC, abstractmethodfrom typing import Dict, List
class BaseExampleSelector(ABC):"""用于选择包含在提示中的示例的接口。"""
@abstractmethoddef select_examples(self, input_variables: Dict[str, str]) -> List[dict]:"""根据输入选择要使用的示例。"""pass
使用抽象基类的关键点
抽象方法：在抽象基类中定义抽象方法，没有实现。这些方法必须在子类中实现。强制子类实现：子类必须实现所有的抽象方法，否则无法实例化。在个性化推荐系统中，需要根据用户的偏好动态选择推荐内容。使用 Example Selector 可以自动选择最合适的推荐示例，提高推荐的相关性和用户满意度。二、模型输出（Output Parsers）
语言模型的输出通常是文本，但很多时候我们希望获得比纯文本更结构化的信息。这就是输出解析器的价值所在。输出解析器帮助结构化语言模型的响应。它们必须实现两种主要方法：获取格式指令：返回一个包含如何格式化语言模型输出的字符串。解析：接受一个字符串（假设为来自语言模型的响应），并将其解析成某种结构。1. 列表解析 List Parser
当需要返回一个逗号分隔的项目列表时，可以使用列表解析器。列表解析器可以将模型生成的逗号分隔字符串转换为结构化的列表，这对于需要提取和处理多个项目的任务非常有用。在电商平台上，需要从产品描述中提取产品类别。使用列表解析器可以将描述转换为结构化的类别列表。def parser_prompt():# 创建一个输出解析器，用于处理带逗号分隔的列表输出output_parser = CommaSeparatedListOutputParser()
# 获取格式化指令，该指令告诉模型如何格式化其输出format_instructions = output_parser.get_format_instructions()
# 创建一个提示模板，它会基于给定的模板和变量来生成提示prompt = PromptTemplate(template="List five {subject}.\n{format_instructions}",# 模板内容input_variables=["subject"],# 输入变量partial_variables={"format_instructions": format_instructions}# 预定义的变量，这里我们传入格式化指令)_input = prompt.format(subject="ice cream flavors")print(_input)output = chat_llm(_input)print(output)
2. 日期解析 Datetime Parser
日期解析器可以将模型生成的日期字符串转换为日期对象，这对于需要处理日期和时间的任务非常有用。在事件管理系统中，需要解析事件的日期和时间。使用日期解析器可以将日期字符串转换为日期对象，便于后续处理。def parser_date():output_parser = DatetimeOutputParser()template = """Answer the users question:
{question}
{format_instructions}"""
prompt = PromptTemplate.from_template(template,partial_variables={"format_instructions": output_parser.get_format_instructions()},)chain = LLMChain(prompt=prompt, llm=chat_llm)output = chain.run("around when was bitcoin founded?")#比特币大约是何时创建的print(output)print(output_parser.parse(output))
通过以上的讲解和案例展示，我们可以看到 LangChain 的 Model I/O 提供了一整套用于提升语言模型交互的工具，不仅简化了开发过程，还提高了模型交互的效率和效果。无论是在客户支持、市场调研、内容生成、虚拟助手、知识库问答、个性化推荐、产品分类还是事件管理等业务场景中，LangChain 都展示了其强大的实用性和灵活性。希望这些内容能帮助你更好地理解和使用 LangChain 的强大功能。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
