回顾与复习
在前几天，我开启为期一月的LangChain实战课。借助掘金社区虚拟环境，实现与AI在python的首次交流，体会到LangChain简洁。还学习了Text、Chat模型关键参数及调用方法，对两模型有了初步掌握，算是开了个好头。
模型IO浅析
模型使用过程可被拆为输入提示、调用模型、输出解析三块，在 LangChain 中统称 Model I/O。其各环节均提供模板与工具以形成调用语言模型接口。提示模板可按需动态选输入；语言模型可通过通用接口调用，提升灵活性；输出解析能提取所需信息，还可将大模型输出的非结构化文本转为结构化数据。
提示模板
众所周知，语言模型是由大数据训练而来，因此它本身就具有丰富的内容，那么，我们要如何让它更“聪明”地回应我们呢？这就需要我们构建更加好的提示模板。那其中的具体原则，不外乎吴恩达老师说的：
- 给予模型清晰明确的指示
- 让模型慢慢地思考
因此就要生成一个好的模板，那么生成它的代码如下：
import os
from langchain.prompts import PromptTemplate
# 创建原始模板
template = """您是一位专业的鲜花店文案撰写员。\n
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？
"""
# 根据原始模板创建LangChain提示模板
prompt = PromptTemplate.from_template(template)
# 打印LangChain提示模板的内容
print(prompt)
语言模型
生成一个模板之后，就可以将它传入模型了。LangChain中支持的模型有三大类。大语言模型（LLM）是 本次学习中的主要使用模型 然后，我们将调用语言模型，让模型帮我们写文案，并且返回文案的结果。
# 导入LangChain中的OpenAI模型接口
from langchain_openai import OpenAI, ChatOpenAI
# 创建模型实例
# model = OpenAI(model_name='gpt-3.5-turbo-instruct')
model = ChatOpenAI(model=os.environ.get("LLM_MODELEND"))
# 输入提示
input = prompt.format(flower_name=["玫瑰"], price="50")
# 得到模型的输出
output = model.invoke(input)
# 打印输出内容
print(output)
深入思考能发现LangChain的优势：定义一次模板就能生成多种不同提示。与单纯用f-string格式化文本相比，更简洁且易维护。而且LangChain的提示模板还整合了output_parser、template_format、是否验证template等功能。
总的来说，共有五个好处：
- 代码的可读性：使用模板的话，提示文本更易于阅读和理解，特别是对于复杂的提示或多变量的情况。
- 可复用性：模板可以在多个地方被复用，让你的代码更简洁，不需要在每个需要生成提示的地方重新构造提示字符串。
- 维护：如果你在后续需要修改提示，使用模板的话，只需要修改模板就可以了，而不需要在代码中查找所有使用到该提示的地方进行修改。
- 变量处理：如果你的提示中涉及到多个变量，模板可以自动处理变量的插入，不需要手动拼接字符串。
- 参数化：模板可以根据不同的参数生成不同的提示，这对于个性化生成文本非常有用。
输出解析
LangChain提供的解析模型输出的功能，使你能够更容易地从模型输出中获取结构化的信息，这将大大加快基于语言模型进行应用开发的效率。
简单的说，就是能够帮助你将一整条信息进行分类存储，以下是一个例子
A：“文案是：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。为什么这样说呢？因为爱情是无价的，50元对应热恋中的情侣也会觉得值得。”
上面的回答并不是我们在处理数据时所需要的，我们需要的是一个类似于下面的Python字典。
B：{description: "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。" ; reason: "因为爱情是无价的，50元对应热恋中的情侣也会觉得值得。"}
代码这里不再赘述
总结
在这节课中，主要学习了模型IO的三个方面，分别是提示模板，语言模型，输出解析，而使用 LangChain 框架具有以下优势：
- 模板管理：在大型项目里能有效管理众多不同提示模板，维持代码清晰整洁。
- 变量提取与检查：可自动提取模板变量并检查，避免遗漏填充变量情况。
- 模型切换：若尝试更换不同模型，仅需改动模型名称，无需修改代码。
- 输出解析：提示模板能嵌入输出格式定义，便于后续处理格式化后的输出。
并且下节课会继续深入探究 LangChain 中的提示模板，探索如何借助高质量提示工程促使模型输出更精准、更高质量的内容。
