在模型 I/O的每个环节，LangChain都提供了模板和工具，快捷地形成调用各种语言模型的接口。
提示模板：使用模型的第一个环节是把提示信息输入到模型中，你可以创建LangChain模板，根据实际需求动态选择不同的输入，针对特定的任务和应用调整输入。
- 文本输入：在NLP（自然语言处理）模型中，输入通常是句子、段落或对话。
- 图像输入：在图像识别或计算机视觉任务中，输入是图像文件。
- 数值输入：在预测模型（如时间序列分析、回归分析）中，输入是数值数据。 输入提示需要经过预处理，如分词、去停用词（文本输入），或缩放、归一化（数值输入），以确保模型能正确理解和处理。
语言模型：LangChain允许你通过通用接口来调用语言模型。这意味着无论你要使用的是哪种语言模型，都可以通过同一种方式进行调用，这样就提高了灵活性和便利性。
- 加载模型：从存储位置加载已训练好的模型。
- 设置参数：根据需要设置模型的运行参数，如批处理大小、推理模式等。
- 执行推理：将输入数据传递给模型，并等待模型生成输出。
输出解析：LangChain还提供了从模型输出中提取信息的功能。通过输出解析器，你可以精确地从模型的输出中获取需要的信息，而不需要处理冗余或不相关的数据，更重要的是还可以把大模型给回的非结构化文本，转换成程序可以处理的结构化数据
- 文本生成：在NLP任务中，输出可能是生成的文本，需要评估其语法正确性、语义连贯性等。
- 分类标签：在分类任务中，输出是类别标签，需要映射到实际含义（如“猫”、“狗”）。
- 数值预测：在回归任务中，输出是数值，可能需要进一步处理（如四舍五入、转换为特定单位）。 解析输出还可能包括后处理步骤，如过滤低置信度的预测、合并多个模型的输出等，以提高结果的准确性和可靠性。
总结 模型I/O涉及输入提示、调用模型和解析输出三个关键步骤。正确理解和执行这些步骤对于有效利用机器学习模型至关重要。每个步骤都需要根据模型的特性和任务需求进行具体的设计和实现。
