本笔记是对青训营-AI方向的第四课：LangChain实践课的第四节的思考。第四节课主题是：模型IO-输入提示，调用模型、解析输出。
首先，我们学习了模型的使用流程，使用大语言模型进行问答的流程主要分为三步:输入提示（提示词Prompt）、调用大模型的接口（Predict）以及输出解析（把模型的输出规范化）。 接下来，我们分别回顾这三块内容:
- 输入提示模板 提示模板是构建高质量提示的关键，LangChain提供了创建和使用提示模板的工具，以生成适合不同场景的文案。 模板就相当于日常生活中的话术，我们总结了一套话术标准，然后喂给大模型，只需要根据具体的使用场景替换模板中的关键对象（也就是主语）。当然，具体问题具体分析，我们不可能有“一招鲜吃遍天”的模板，那也太逆天了哈哈哈。因此我们需要学习“提示工程”的相关知识。
如何构建好的提示模板？
构建原则：1）给予模型清晰的指示 2）让模型慢慢地思考
如下图是提示模板的生成方式
这里有个知识点：就是from_template()方法，是直接基于我们自定义的字符串模板构建从LangChain中的提示模板PromptTemplate创建模板对象。这个方法输出变量（定义的花名和价格）、输出解释器、模板格式、是否验证模板等等信息。
- 语言模型
LangChain支持多种语言模型，包括大语言模型、聊天模型和文本嵌入模型，允许通过通用接口调用，提高灵活性和便利性。 大语言模型：也是Text Model，输入字符串，输出字符串 聊天模型：也是Chat Model，输入聊天消息，返回聊天消息，更加符合人类日常交流 文本嵌入模型：负责把文本切割，存入向量数据库。
- 输出解析
LangChain的输出解析功能可以将非结构化文本转换成结构化数据，便于程序处理，加快基于语言模型的应用开发效率。输出解析器来重构程序，让模型有能力生成结构化的回应，同时对其进行解析，直接将解析好的数据存入CSV文档。 接下来我们使用输出解释器重构程序，让模型具有生成结构化答案的能力，并可以对答案进行解析，还可以存入CSV文档。
最后，我对思考题有如下看法：
思考1：请你用自己的理解，简述LangChain调用大语言模型来做应用开发的优势。
解答：使用该框架可以更好管理模板，同一个模板可以调用不同的模型API使用，框架中还可以对变量进行检查，更重要的是该框架嵌入了输出格式，可以输出我们想要格式的回答。
思考2：在上面的示例中，format_instructions，也就是输出格式是怎样用output_parser构建出来的，又是怎样传递到提示模板中的？
format_instructions 是通过 output_parser 构建的，并通过提示模板中的占位符传递给模型。这样，模型就知道如何格式化它的输出，以便于后续的解析。这里，prompt_template 是一个包含占位符 {format_instructions} 的字符串，这个占位符会被 format_instructions 的值替换。这样，当提示被格式化时，它会包含如何结构化输出的说明。在提示模板中，{format_instructions} 是一个占位符，它会被 output_parser.get_format_instructions() 方法返回的字符串替换。这个字符串提供了关于如何格式化输出的详细说明，以确保输出符合 response_schemas 中定义的结构。
思考3：加入了partial_variables，也就是输出解析器指定的format_instructions之后的提示，为什么能够让模型生成结构化的输出？你可以打印出这个提示，一探究竟。
当你将format_instructions作为partial_variables的一部分传递给PromptTemplate.from_template()方法时，它会将这些说明嵌入到提示模板中。这样，当你使用prompt.format(flower_name=flower, price=price)格式化提示时，format_instructions会被替换为实际的格式化说明。
您是一位专业的鲜花店文案撰写员。
对于售价为 20 元的 康乃馨 ，您能提供一个吸引人的简短描述吗？
The output should be a markdown code snippet formatted in the following schema, including the leading and trailing "json" and "":
{
"description": string // 鲜花的描述文案
"reason": string // 问什么要这样写这个文案
}
4。使用输出解析器后，调用模型时有没有可能仍然得不到所希望的输出？也就是说，模型有没有可能仍然返回格式不够完美的输出？
使用输出解析器可以帮助确保模型的输出符合特定的格式要求，但并不能完全保证模型每次都会返回完美格式化的输出。模型的输出仍然受到多种因素的影响，包括模型的训练数据、模型的参数设置、输入的质量和复杂性等。
