用LangChain实现鲜花文案自动生成器：深入理解模型 I/O
模型在LangChain中的核心地位
LangChain框架的核心逻辑是基于语言模型（LLM）来驱动的。我们通过LangChain调用大语言模型，将其强大的文本处理和生成能力应用到实际问题中，比如本文的鲜花文案自动生成器。
在LangChain的应用开发中，模型的使用过程可以被分解为三个环节：输入提示（Input/Format） 、调用模型（Predict）和解析输出（Output/Parse） 。这三个环节被统称为 Model I/O，也是LangChain提供的一整套解决方案的基础。
下面，我们通过一个鲜花文案生成器的完整案例，带你深入理解 Model I/O 的每个环节。
1. 提示模板（Prompt Template）
提示模板是模型的起点，定义了模型输入的内容格式。一个好的提示可以大幅提高模型输出的质量。
示例：为鲜花生成描述文案
我们希望模型为每种鲜花生成一段吸引人的描述。模板如下：
python
复制代码
from langchain.prompts import PromptTemplate
# 创建提示模板
template = """您是一位专业的鲜花店文案撰写员。
对于售价为 {price} 元的 {flower_name} ，您能提供一个吸引人的简短描述吗？
"""
prompt = PromptTemplate.from_template(template) # 将字符串模板转化为LangChain的PromptTemplate对象
这个模板中有两个占位符变量 {flower_name} 和 {price}，分别表示鲜花名称和价格。你可以在需要时动态替换它们。
使用提示模板生成输入
python
复制代码
input_prompt = prompt.format(flower_name="玫瑰", price=50)
print(input_prompt)
输出内容：
复制代码
您是一位专业的鲜花店文案撰写员。
对于售价为 50 元的 玫瑰 ，您能提供一个吸引人的简短描述吗？
模板的意义：
- 易于复用：不同场景下只需替换变量即可。
- 提高清晰度：让模型明确任务，生成更加符合预期的结果。
2. 调用模型
LangChain支持多种语言模型（LLM）接口，包括OpenAI、HuggingFace等。我们使用OpenAI的gpt-3.5-turbo模型来生成文案。
代码示例：调用模型
python
复制代码
import os
from langchain.llms import OpenAI
# 设置OpenAI API Key
os.environ["OPENAI_API_KEY"] = "你的OpenAI API Key"
# 创建模型实例
model = OpenAI(model_name="gpt-3.5-turbo")
# 输入提示
input_prompt = prompt.format(flower_name="玫瑰", price=50)
# 调用模型生成输出
output = model(input_prompt)
print(output)
输出结果：
复制代码
让你心动！50元就可以拥有这支充满浪漫气息的玫瑰花束，让TA感受你的真心爱意。
3. 解析输出（Output Parsing）
有时候，我们不仅需要文本，还希望提取出具体的结构化数据。LangChain提供了 输出解析器（Output Parser） ，帮助我们将非结构化文本转化为程序可以处理的结构化数据。
定义输出结构
假设我们希望模型返回两个字段：
- description：鲜花的描述文案。
- reason：描述文案的理由。
创建输出解析器
python
复制代码
from langchain.output_parsers import StructuredOutputParser, ResponseSchema
# 定义响应模式
response_schemas = [
ResponseSchema(name="description", description="鲜花的描述文案"),
ResponseSchema(name="reason", description="撰写文案的理由")
]
# 创建输出解析器
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
# 获取输出格式说明
format_instructions = output_parser.get_format_instructions()
结合解析器生成提示模板
我们将解析器的格式指令整合到提示模板中：
python
复制代码
prompt_template = """您是一位专业的鲜花店文案撰写员。
对于售价为 {price} 元的 {flower_name} ，您能提供一个吸引人的简短描述吗？
{format_instructions}
"""
prompt = PromptTemplate.from_template(prompt_template, partial_variables={"format_instructions": format_instructions})
完整调用过程
我们将调用模型并解析输出为结构化数据：
python
复制代码
# 输入数据
flowers = ["玫瑰", "百合", "康乃馨"]
prices = [50, 30, 20]
# 存储结果的列表
results = []
for flower, price in zip(flowers, prices):
# 生成输入提示
input_prompt = prompt.format(flower_name=flower, price=price)
# 获取模型输出
output = model(input_prompt)
# 解析输出
parsed_output = output_parser.parse(output)
# 添加额外信息
parsed_output["flower_name"] = flower
parsed_output["price"] = price
results.append(parsed_output)
# 打印解析后的结构化数据
for result in results:
print(result)
解析后的输出：
json
复制代码
[ { "flower_name": "玫瑰", "price": 50, "description": "这支玫瑰花色浓郁，象征深沉的爱意。", "reason": "玫瑰是爱情的象征，吸引热恋中的情侣购买。" }, { "flower_name": "百合", "price": 30, "description": "洁白的百合象征着纯洁与美好。", "reason": "百合的象征意义能打动追求简约浪漫的顾客。" }, { "flower_name": "康乃馨", "price": 20, "description": "康乃馨代表关爱，是母亲节的最佳选择。", "reason": "康乃馨的寓意使其成为送礼首选，尤其适合表达感恩之情。" }]
4. 保存到文件
将解析结果保存为CSV文件，便于后续分析或使用：
python
复制代码
import pandas as pd
# 转换为DataFrame
df = pd.DataFrame(results)
# 保存到CSV文件
df.to_csv("flower_descriptions.csv", index=False)
print("文件保存成功：flower_descriptions.csv")
LangChain的优势总结
- 模板管理：LangChain提供了强大的提示模板工具，让提示构建更高效、更可复用。
- 灵活调用：支持多种语言模型接口（如OpenAI、HuggingFace）。
- 输出解析：将非结构化文本转化为结构化数据，便于后续处理。
- 扩展性强：只需修改模型配置即可轻松切换不同的语言模型。
小提示
在运行 DocQA.py 文件时，如果终端等待很久没有输出，不要着急！这是因为程序在处理模型请求。等待程序完成后，可以点击右侧工具栏中的“眼睛”图标展开结果，查看生成内容。
希望这篇教程帮助你更清晰地理解LangChain的Model I/O流程，同时激发你在实际项目中应用LangChain的兴趣！如果你有更多想法，欢迎留言交流！ 😊
