模型I/O 总结 | 豆包MarsCode AI刷题

通过这节课的学习，有很多收获。

几个关键知识点总结：

1. 模型I/O：LangChain将模型的使用过程分为输入提示、调用模型和输出解析三个环节，形成了一个完整的Model I/O流程。
2. 提示模板：通过LangChain的提示模板功能，可以创建和管理复杂的提示信息，使得调用大模型时能够更加精准地获取所需结果。
3. 模型支持：LangChain支持多种类型的模型，包括大语言模型（LLM）、聊天模型（Chat Model）和文本嵌入模型（Embedding Model），具有很高的灵活性。
4. 输出解析：LangChain的输出解析器可以将模型的非结构化输出转换为结构化数据，便于后续处理和分析。
5. 代码复用与维护：使用LangChain可以显著提高代码的可读性和可复用性，同时也简化了维护工作。

思考题

1. LangChain调用大语言模型来做应用开发的优势：

   • 模板管理：LangChain提供了强大的模板管理功能，有助于保持代码的整洁和清晰。
   • 变量处理：自动提取和检查模板中的变量，减少错误发生的可能性。
   • 模型切换：轻松切换不同的大语言模型，无需修改大量代码。
   • 输出解析：能够将模型的输出转换为结构化数据，方便后续处理。
   • 提高开发效率：通过简化和标准化流程，大大加快了应用开发的速度。

2. format_instructions的构建与传递：

   • format_instructions是通过output_parser.get_format_instructions()方法获得的，它定义了期望的输出格式。
   • 这些指令随后被整合到新的提示模板中，从而指导模型按照预期的格式生成输出。

3. 加入partial_variables后的提示作用：

   • 当提示模板中包含partial_variables（如format_instructions）后，模型在生成文本时会参考这些指令，尽量按照指定的结构来组织信息。
   • 这样可以提高输出的一致性和可预测性，使得解析器更容易从中提取所需数据。

4. 使用输出解析器后仍可能得不到理想输出的原因：

   • 尽管有了输出解析器，但模型的回答仍然受到其自身能力及训练数据的限制。
   • 如果模型未能完全理解指令或者缺乏相关知识，仍然可能产生不完全符合预期的结果。