一、Model I/O 概念解析
模型的使用过程可拆解为输入提示（Format）、调用模型（Predict）和输出解析（Parse）三块，在 LangChain 中统称为 Model I/O。LangChain 为此提供了模板和工具，方便形成调用各种语言模型的接口。
-
提示模板：是使用模型的首环节，可创建 LangChain 模板，依实际需求动态选输入，针对特定任务与应用调整输入。好的提示能让调用大模型事半功倍，虽无万能模板，但有基本原则，如吴恩达[提示工程课程](DeepLearning.AI - Learning Platform)中的给予模型清晰明确指示、让模型慢慢思考等。以生成鲜花店文案为例，创建了包含花名和价格变量的提示模板，通过
from_template方法将原始模板字符串转化为PromptTemplate对象，其包含输入变量、输出解析器、模板格式、是否验证模板等信息，LangChain 还提供多类函数与内置模板，便于构建与使用提示。 -
语言模型：LangChain 支持大语言模型（LLM）也叫Text Model、聊天模型（Chat Model）、文本嵌入模型（Embedding Model）三类。大语言模型如 Open AI 的 text - davinci - 003 等，输入输出皆为文本字符串；聊天模型以 Open AI 的 ChatGPT 系列为代表，输入聊天消息列表并返回聊天消息；文本嵌入模型如 OpenAI 的 text - embedding - ada - 002，将文本转浮点数列表，与提示工程关系不大。以生成鲜花文案为例，设置 OpenAI API Key 后，导入 LangChain 中的 OpenAI 模型接口创建模型实例，将提示模板实例化后输入模型得到文案输出，还可复用模板生成多种花的文案。同时对比直接使用 Open AI API，显示出 LangChain 提示模板的优势，如定义一次可多处复用、整合多类功能、方便切换模型等，还用相同提示模板调用 HuggingFaceHub 中的开源模型展示了模板的通用性。
-
输出解析：LangChain 提供解析模型输出功能，便于获取结构化信息，加速基于语言模型的应用开发。以鲜花文案为例，若期望模型返回鲜花说明文本（description）和撰写原因（reason），模型原始输出可能是笼统言语，而通过 LangChain 的输出解析器可将其转化为结构化的 Python 字典。具体操作是先定义响应模式列表
response_schemas，再用StructuredOutputParser.from_response_schemas方法创建输出解析器，获取格式说明后结合原始模板创建新提示模板，生成模型输入与输出，最后用output_parser.parse解析输出并整合到pandas DataFrame对象中，可打印或保存为 CSV 文件，实现数据的结构化处理。
二、LangChain 框架优势总结
-
模板管理：大型项目中存在众多提示模板，LangChain 有助于更好管理，使代码清晰整洁。
-
变量提取与检查：能自动提取模板变量并检查，避免遗漏填充。
-
模型切换：更改模型名称即可切换模型，无需改动代码。
-
输出解析：提示模板可嵌入输出格式定义，方便处理格式化输出。
通过本节课学习，利用大模型开发出自动生成鲜花文案的应用程序，与传统基于 SQL 和数据库表及固定业务逻辑的应用开发不同，基于大模型构建的应用充满创造力，而 LangChain 框架在其中发挥着重要作用，为开发提供诸多便利与优势。
