Model I/O
Model I/O
LangChain框架是用于开发大模型应用的，对于任何大模型应用而言，Model（模型）都是最核心的部分。 LangChain 提供了与任何 Model 进行交互的的构建模块， 即 Model I/O。LangChain 的 Model I/O 模块是与这些语言模型（LLMs）进行交互的核心组件，它包括模型输入（Prompts）、模型输出（Output Parsers）和模型本身（Language Models）
1. Model I/O的核心概念
在 LangChain 的 Model I/O 模块设计中，主要由三个关键组件构成：Prompt Template（对应图中的 Format）、Language Models（对应 Predict）、以及 Output Parser（对应 Parse）。
Format：对应 Prompt Template，通过预设模板对大模型输入进行结构化组织和管理
Predict：代表 Model 部分，负责通过统一接口接入和调用不同的大语言模型
Parse：即 Output Parser，用于从模型输出中提取所需信息，并根据既定格式进行规范化处理后输出
接下来我们会讲两种模型类型，一种是基础的Language Model（LLM），另一种是专注对话的 Chat LLM。之后还会介绍怎么用 Prompt Templates 来整理模型的输入内容，以及怎么用 Output Parser 来处理模型的输出结果，让它们更易读、更符合预期格式。
基础 LLM（Base LLM）
在 LangChain 中，LLM 通常指的是传统的文本补全模型（Text Completion）。这类模型通过封装的 API 接收一个字符串类型的提示词作为输入，并返回对应的文本补全结果，输出同样是一个字符串。
对话式 LLM（Chat LLM）
Chat LLM 虽然通常构建在 Base LLM 之上，但针对多轮对话场景做了专门优化。它们采用不同于基础模型的接口形式，以聊天消息的列表作为输入，并返回结构化的响应（Response 类型），而不仅仅是简单的字符串文本。
2. PromptTemplate
2.1 Prompt
Prompt 是用户输入给大语言模型的一系列指令或提示，用于限定任务范围、提供上下文信息，并引导模型生成符合预期的语言输出，如问答、对话、文本生成等
2.2 prompt templates
Prompt 模板是一种预定义的结构，用于构建（格式化）发送给大语言模型的 prompt。它通常包含指令说明、few-shot 示例、任务相关的上下文和具体问题等内容。简单理解Prompt 模板就像一个事先设定好的“问题格式”，可以帮我们快速生成标准化的模型指令。LangChain 提供了一些与具体模型无关的通用 prompt 模板，这些模板可以在不同的 LLM 上复用，提高开发效率和适配灵活性。
2.3 PromptTemplate（字符串提示模板）
PromptTemplate主要用于创建一个字符串prompt，其实它就是相当于的Python str.format ，用来格式化我们的输入。它支持任意数量的变量，也可以没有没有变量
2.3.1 指定参数
from langchain.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"请给我取一个{adjective}的{name}名字"
)然后接下来在两个jupyter的cell中分别填入不同的模板参数
prompt_template.format(adjective="搞笑的", name="男孩")程序输出：
'请给我取一个搞笑的的男孩名字'prompt_template.format(adjective="可爱的", name="女孩")程序输出：
'请给我取一个可爱的的女孩名字'
2.3.2 不带参数
同样，这个模板可以包含任意多个变量，也可以不包含任何变量
from langchain.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"请给我取一个名字"
)
prompt_template.format()程序输出：
'请给我取一个名字'
2.3.3 通过invoke方法填入提示词参数
from langchain.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"请给我取一个{adjective}的{name}名字"
)
prompt_template.invoke({"adjective":"很土","name":"男孩"})程序输出
StringPromptValue(text='请给我取一个很土的男孩名字')
2.3.4 通过加号增加临时内容
如果需要在既有的模板下增加临时内容，也可以使用+來增加提示内容。
from langchain.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"请给我取一个{adjective}的{name}名字，")+ "并告诉我你取名参考的是{content}"
prompt_template.format(adjective="好听的",name="男孩",content="论语")程序输出
'请给我取一个好听的的男孩名字，并告诉我你取名参考的是论语'
可以看到，PromptTemplate其实就是起到一个格式化输入的作用，每次会把模板中的参数变量替换为我们的真实输入Language Models（语言模型）
2.4 ChatPromptTemplate（对话提示模板）
ChatPromptTemplate 是专为多轮对话设计的提示模板，它允许开发者分别定义不同对话角色的内容，从而帮助 AI 模型更自然地进行交流。它的核心功能是模拟对话中的多个角色，包括用户输入（HumanMessage）、AI 回复（AIMessage），以及系统提示或背景信息（SystemMessage）。通过这种结构化的方式，可以提升对话的连贯性和真实感。
代码示例：
from langchain_deepseek import ChatDeepSeek
from langchain.prompts.chat import ChatPromptTemplate
import os
load_dotenv()
chat_template = ChatPromptTemplate.from_messages(
[
("system", "你是一位专业且有耐心的客服助手，负责解答用户的问题。你的名字叫{name}."),
("human", "你好，我的订单怎么还没有发货？"),
("ai", "您好，我来帮您查询一下订单状态，请您稍等。"),
("human", "{user_question}"),
]
)
messages = chat_template.format_messages(name="小明", user_question="请问我可以修改收货地址吗？")
messages程序输出：
[SystemMessage(content='你是一位专业且有耐心的客服助手，负责解答用户的问题。你的名字叫小明.', additional_kwargs={}, response_metadata={}),
HumanMessage(content='你好，我的订单怎么还没有发货？', additional_kwargs={}, response_metadata={}),
AIMessage(content='您好，我来帮您查询一下订单状态，请您稍等。', additional_kwargs={}, response_metadata={}),
HumanMessage(content='请问我可以修改收货地址吗？', additional_kwargs={}, response_metadata={})]
可以看到经过format_messages函数格式化处理后，最终的提示词messages中这组对话已经将我们的最终要传入的变量"小明"替换到原来的"name"参数处，将原来模板中的user_question替换为"请问我可以修改收货地址吗？"这个字符串。接下来再下一个cell中调用DeepDeek大模型接口，把这个messages传给DeepDeek，然后看下DeepDeek给我们返回什么？
from langchain_deepseek import ChatDeepSeek
import os
load_dotenv()
# 创建 DeepSeek 模型实例
model = ChatDeepSeek(
model="deepseek-chat",
temperature=0,
api_key=os.getenv("DEEPSEEK_API_KEY")
)
# 将消息发送给模型
response = model.invoke(messages)
# 输出响应内容
print(response.content)程序输出
您好，如果订单还未发货，是可以修改收货地址的。请您提供订单号，我帮您确认一下当前状态。
尽管上述传给大模型的是一组对话，但是用户最终的问题是“请问我可以修改收货地址吗？”，而这里DeepDeek给出的回答正好是这个问题的回答，而且回答的非常完美
这里有一个疑问，既然是要大模型回答用户的具体问题，按照上面的例子，我们直接给大模型最后的这个问题“请问我可以修改收货地址吗？”丢给大模型不就完了吗？为什么还要这么包装一组对话给它呢？
仔细思考一下，当你突然问一个人，“我可以修改收货地址吗？”，对方估计会一脸懵逼，啥玩意，突然来这么个问题，是不是搞错提问对象了？
大模型同样如此，我们完全可以把大模型想象成这个人，当你什么上下文都没提供给他的时候，就问这么个问题，他也很懵逼，最后只会给你乱说一通。所以这里再次回到ChatPromptTemplate本身，他其实是通过SystemMessage给大模型安置了一个背景或者事角色，然后通过前面的几组对话，告诉大模型现在处在一个什么场景下，所以接下来用户提的问题，大模型才会根据它的角色，基于当前场景来回答， 这样的回答才可能最终是我们想要的答案。
简单总结就是，ChatPromptTemplate可以给大模型的回答提供必要的上下文，使得大模型的回答准确性更高了
当然，LangChain框架不知提供了这两种提示词模板，还有MessagePrompt，PipelinePrompt等一些列的prompt模板，这里就不一一介绍了，后续有用到的时候可以去官方的API文档查看具体用法：https://python.langchain.com/v0.1/docs/modules/model\_io/prompts/quick\_start/
3. Language Model
在 LangChain 中，Language Model 模块是用于直接与语言模型进行交互的核心构建单元（Building Block）。
目前，LangChain 主要支持并集成了两类语言模型：
LLMs：接受文本字符串作为输入，返回文本字符串作为输出的模型（即 text in → text out）。
Chat Models：以一组对话消息作为输入，返回新的对话消息作为输出的模型（即 chat messages in → chat messages out）。这些消息通常包含文本内容（content）和角色（role）信息（如 system、human、ai）。
简单理解就是，LM可以认为是一个文本生成式模型，即大模型会根据用户输入的指示，生成一段相关的文本；
而Chat Model则是一个聊天驱动的模型，即可以进行多轮对话。
3.1 LLMs
LLM 是 LangChain 架构中的关键组成部分，也叫Base LLM。典型的交互模式是：文本输入 → 文本输出（ text in → text out）。LangChain 提供了统一的标准接口，用于对接多种 LLM 类型。你可以在其文档中查看当前支持的各类模型。
所有 LLM 实现都遵循 LangChain 的 Runnable 接口规范，该接口提供了如 invoke、ainvoke、batch、abatch、stream、astream 等方法的默认实现，方便开发者灵活调用模型。
这里的LLM Model我们使用的大模型是国内阿里的通义千问，因为DeepSeek并没有在LangChain中即成基础Model LLM，而是要通过Ollama去调用，这里我们后续再做介绍。
同样我们首先需要到通义千问创建一个API Key，https://bailian.console.aliyun.com/?apiKey=1#/api-key
同理，在创建完API Key之后，需要把它些入到项目根目录下的.env文件中，方便后续在项目中加载
DASHSCOPE_API_KEY=sk-45e155e83f524602b19b7c67e45932 // 这里替换为自己的API Key代码示例：
from langchain_community.llms import Tongyi
from dotenv import load_dotenv
# 导入操作系统相关功能
import os
# 加载 .env 文件中的环境变量
load_dotenv()
dashscope_api_key = os.getenv("DASHSCOPE_API_KEY")
# api key作为参数传入
llm = Tongyi(
model="qwen-turbo", # 或其他模型，如"qwen-plus", "qwen-max"
dashscope_api_key=dashscope_api_key,
temperature=0
)
response = llm.invoke("四大名著指的是什么?")
print(response)程序输出
四大名著是中国古代文学的瑰宝，通常指以下四部经典著作：
1. **《红楼梦》**：作者曹雪芹，被誉为中国古典小说的巅峰之作。小说以贾宝玉和林黛玉的爱情悲剧为主线，描绘了封建贵族家庭的兴衰和社会的复杂人际关系。
2. **《西游记》**：作者吴承恩，是一部神魔小说。讲述了唐僧师徒四人取经的历险故事，充满了奇幻色彩和深刻的哲理思考。
3. **《三国演义》**：作者罗贯中，是一部历史演义小说。以东汉末年到三国时期的历史为背景，描写了魏、蜀、吴三国之间的政治斗争和军事冲突。
4. **《水浒传》**：作者施耐庵，是一部描写农民起义的小说。讲述了梁山好汉反抗腐败官府的故事，展现了江湖豪情和英雄气概。
这四部作品不仅在中国文学史上占有重要地位，也对后世的文化和艺术产生了深远的影响。3.2 Chat Model
Chat Model可以认为是LLM 的变体，其底层通常还是由Base LLM支撑，但专门针对对话进行了调整。并且它提供的 Interface 有了比较大的差异，提供基于"聊天消息"的接口，而不单单是一个字符串。他的输入和输出可以简单理解如下：
| 输入 | 输出 |
|---|---|
| 一组聊天消息 | 一条聊天消息 |
3.2.1 Messages类型
Chat models使用chat message作为输入和输出，LangChain目前支持的chat message类型有：
| Messages类型 | 用途 |
|---|---|
| SystemMessage | 设定大模型的身份，人设 |
| HumanMessage | 用户输入 |
| AIMessage | 模型输出 |
| FunctionMessage | 函数调用的返回结果，用于标识某个函数执行的内容返回，除了对应的role和content参数外，还有一个name参数，表示对应名称的函数的执行结果，与 function_call 搭配使用 |
| ToolMessage | 工具调用的返回结果，用于标识某个工具执行的内容返回，tool_call_id：表示对应哪一次工具调用的返回结果，与 tool_calls 搭配 |
这里主要讲解前面三种Messages类型，函数和工具的调用就不在这里演示了，后续章节会专门讲解
代码示例：
from langchain_deepseek import ChatDeepSeek
import os
load_dotenv()
# 创建 DeepSeek 模型实例
model = ChatDeepSeek(
model="deepseek-chat",
temperature=0,
api_key=os.getenv("DEEPSEEK_API_KEY")
)
messages = [
SystemMessage(content="你一名中国古诗词鉴赏专家"),
HumanMessage(content="《青玉案·元夕》"),
]
response = model.invoke(messages)
print(response.content)程序输出
《青玉案·元夕》
东风夜放花千树，更吹落、星如雨。
宝马雕车香满路。
凤箫声动，玉壶光转，一夜鱼龙舞。
蛾儿雪柳黄金缕，笑语盈盈暗香去。
众里寻他千百度，蓦然回首，那人却在，灯火阑珊处。
赏析：这首作品描绘了元宵夜的热闹场景，通过“花千树”、“星如雨”等意象展现了节日的璀璨与繁华。下阕则笔锋一转，写到了在人群中寻找心上人的情景，最终在“灯火阑珊处”找到了她，表达了在喧嚣中寻找内心宁静与真爱的情感。整首词语言优美，意境深远，情感真挚动人。
上述例子知识用SystemMessage给了AI一个身份，并且让其回答HumanMessage中用户的问题，很简单。既然学习了前面的提示词模板，这里同样可以用模板来给这几个message进行格式化，请看下面的例子
from langchain_deepseek import ChatDeepSeek
import os
from langchain.chat_models import ChatOpenAI
from langchain.prompts.chat import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate
)
load_dotenv()
# 创建 DeepSeek 模型实例
model = ChatDeepSeek(
model="deepseek-chat",
temperature=0,
api_key=os.getenv("DEEPSEEK_API_KEY")
)
# ✅ 构建 Prompt 模板（带变量）
system_template = "你是一个专业的 {role}，回答问题要简洁清晰。"
human_template = "请用 {language} 写一个 {task} 的程序。"
# ✅ 使用模板封装 message
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
# ✅ 构建最终 ChatPromptTemplate
chat_prompt = ChatPromptTemplate.from_messages([
system_message_prompt,
human_message_prompt
])
# ✅ 模板填充变量
formatted_messages = chat_prompt.format_messages(
role="后端开发专家",
language="Go语言",
task="快速排序"
)
response = model.invoke(formatted_messages)
print(response.content)程序输出
[SystemMessage(content='你是一个专业的 后端开发专家，回答问题要简洁清晰。', additional_kwargs={}, response_metadata={}),
HumanMessage(content='请用 Go语言 写一个 快速排序 的程序。', additional_kwargs={}, response_metadata={})]可以看到最终将chat_prompt变成了list的形式，并且讲原来message里的模板参数替换成了真正的变量。
然后我们把chat_prompt作为输入，调用DeepSeek接口，看一下返回结果：
以下是一个使用 Go 语言实现的快速排序程序：
```go
package main
import "fmt"
func quickSort(arr []int) []int {
if len(arr) <= 1 {
return arr
}
pivot := arr[0]
var left, right []int
for _, v := range arr[1:] {
if v <= pivot {
left = append(left, v)
} else {
right = append(right, v)
}
}
left = quickSort(left)
right = quickSort(right)
return append(append(left, pivot), right...)
}
func main() {
arr := []int{3, 6, 8, 10, 1, 2, 1}
fmt.Println("Original array:", arr)
sortedArr := quickSort(arr)
fmt.Println("Sorted array:", sortedArr)
}
```
### 代码说明：
1. **quickSort 函数**：递归地对数组进行排序。
- 如果数组长度小于等于 1，直接返回数组。
- 选择数组的第一个元素作为基准（pivot）。
- 将数组分为两部分：小于等于基准的部分和大于基准的部分。
- 递归地对左右两部分进行排序，最后合并结果。
2. **main 函数**：测试快速排序算法。
- 定义一个未排序的数组。
- 调用 `quickSort` 函数进行排序，并输出结果。
### 输出示例：
```
Original array: [3 6 8 10 1 2 1]
Sorted array: [1 1 2 3 6 8 10]
```
这个程序实现了快速排序的基本逻辑，适用于大多数情况。DeepSeek不仅帮我们写好了程序，还给出来代码水名和测试用例，非常完美
4. Output Parsers
Output Parsers 即输出解析器，从前面示例可以看到，LLM和ChatModel的输出都是自然语言文本，也就是字符串 。但很多时候，我们希望它能以特定的格式输出，以便解析成结构化的数据。LangChain也提供的Output Parsers就是完成这个功能的
Output Parsers 在使用的时候通常需要实现两个关键方法：
get_format_instructions()：返回一段文本，用于告诉语言模型如何组织和格式化它的输出内容。parse()：用于接收语言模型返回的字符串结果，并将其解析为结构化的数据形式（如字典、对象等），便于后续程序处理。
目前LangChain提供了一些列预定义的类，以下是一些常用的预定义的 Output Parsers
这里以CommaSeparatedListOutputParser为代码示例看一下Output Parsers的具体用法 ：
# 导入逗号分隔输出解析器
from langchain.output_parsers import CommaSeparatedListOutputParser
# 导入聊天提示模板
from langchain.prompts import ChatPromptTemplate
# 导入 DeepSeek 模型调用模块
from langchain_deepseek import ChatDeepSeek
# 导入 os，用于读取 API Key 环境变量
import os
# 1️⃣ 创建提示词模板，包含 system 和 human 两种消息角色
prompt = ChatPromptTemplate.from_messages([
("system", "{parser_instructions}"), # system role：这里的系统背景要素模型，要设置模型输出格式规范，
("human", "列出{cityName}的{viewPointNum}个著名景点。") # human role：实际任务指令（用户问题）
])
# 2️⃣ 使用 CommaSeparatedListOutputParser 作为
output_parser = CommaSeparatedListOutputParser()
# 3️⃣ 获取输出解析器提供的格式指导说明文本
parser_instructions = output_parser.get_format_instructions()
# 👉 打印查看格式说明：告诉模型“请以逗号分隔的形式输出结果”
print(parser_instructions)
# 4️⃣ 构造最终的 prompt，将模板变量填充完整
final_prompt = prompt.invoke({
"cityName": "南京", # 设置城市名变量
"viewPointNum": 5, # 设置景点数量
"parser_instructions": parser_instructions # 填充格式指令，系统角色的内容
})
# 5️⃣ 创建 DeepSeek 模型实例
model = ChatDeepSeek(
model="deepseek-chat", # 模型名称
temperature=0, # 控制输出稳定性（0 表示确定性更强）
api_key=os.getenv("DEEPSEEK_API_KEY") # 从环境变量读取 API Key
)
# 6️⃣ 调用模型，获取模型响应内容
response = model.invoke(final_prompt)
# 7️⃣ 使用解析器将模型输出内容转换成 Python 列表
ret = output_parser.invoke(response)
# 8️⃣ 输出最终解析结果
print(ret) # 示例输出：['中山陵', '夫子庙', '南京长江大桥', '玄武湖', '总统府']程序输出：
Your response should be a list of comma separated values, eg: `foo, bar, baz` or `foo,bar,baz`
['中山陵', '夫子庙', '明孝陵', '玄武湖', '南京博物院']
5. 小结
Model I/O模块是LangChain 框架的核心模块，它主要由 Prompt Template 模块、语言模型（LLM 与 Chat Model）、输出解析器（Output Parsers）三大核心组件构成。Prompt 作为与模型交互的“桥梁”，在提高指令清晰度和任务表达力方面发挥着重要作用；LLM 和 Chat Model 则构成了整个模型调用链的执行核心；而 Output Parsers 则帮助我们提升模型结果的可控性和可解析性。