第四节课开篇就强调了模型作为Langchain六大核心组件之一的重要性：
1.模型作为Langchain框架底层中最核心的元素
2.Langchain功能都由语言模型驱动
模型I/O三个组成部分：
1.输入（输入提示）
2.调用（语言模型）
3.输出（输出解析） 第一部分： 专门研究大语言的模型的提示建构，没有完美通用的模板，但是好的提示可以提高模型调用效率。接下来给了一个模板的例子，以及langchain支持的三类模板： 1.大语言模型（LLM）； 2.聊天模型； 3.文本嵌入模型； 分别使用langchain和直接调用open ai的api实现同一功能，可以看出直接调用api输入特定内容时，内容是分散在代码中的，langchain则更集中，因为使用了template。所以langchain在大量重复使用中更高效，更方便维护管理，切换不同模型时不用修改template，更灵活。
（生成hugging face api之后也不能正常生成输出，报错）
使用LangChain和提示模板的优势：
1.代码的可读性 2.可复用性 3.维护： 4.变量处理 5.参数化 老师建议我们输出时使用结构化数据，便于后续处理和存储。 思考题：
langchain统一的接口在当今各ai模型发展更迭迅速的时期，使切换不同公司的模型更方便，不会因为应用一家公司模型需要切换时，重头再写一个框架
format_instructions = output_parser.get_format_instructions()
这行代码会生成一段格式指导文本，基于前文的response_schemas。
prompt = PromptTemplate.from_template(prompt_template, partial_variables={"format_instructions": format_instructions})
这行通过partial_variables将格式指导文本绑定给{format_instructions}占位符，创建一个只包含{flower_name}和{price}新提示模板。
提示工程（上）
两大原则： 第一条原则是写出清晰而具体的指示，第二条原则是给模型思考的时间。 提示框架包含四元素：指令；上下文；提示输入；输出指示器 langchain提供的提示模板基于string和chat，延申出fewershot和pipeline两个prompt template。（也可以自定义模板）
from langchain import PromptTemplate //使用这段代码导入
模板创建方式
prompt template使用“.from_template"方法自动识别变量（占位符）
使用构造函数，手动指定变量。
chat模型有三种角色类型： system/user/assistant
重头戏fewershot模型，提供少量示例学习，确立语言模型少量示例学习能力，发展fewershot模型可以帮助解决数据稀缺问题，提高模型对新概念的学习能力，为大语言模型提供理论基础 教学内容中包含fewershot使用的完整流程。 思考题1： 使用jinja2模板，f-string
输出：
是vip
不是vip
2.使用pipe模型
