LangChain：模型I/O

LangChain的Model I/O（Input/Output）是框架中负责与语言模型（LLM）进行输入输出交互的核心模块，是连接开发者与大语言模型（LLMs）的核心交互层，提供了一套标准化的流程实现输入构建、模型调用和结果解析的全链路管理。

Mode I/O组件是对各个LLM模型平台API的封装，这个组件封装了市场公开的绝大部分LLM模型接口。

具体可参阅：LangChain > All chat models。

I/O 模型核心组件

提示模板（PromptTemplate）

• 功能：动态生成文本提示，支持变量插值和模板复用

• 关键特性：

  • 支持 f-string 风格变量替换
  • 可组合嵌套模板
  • 支持与示例选择器（ExampleSelector）结合

• 示例：

  python

  复制

  from langchain.prompts import PromptTemplate
  
  # 基础模板
  template = "请用{style}风格，写一篇关于{topic}的短文"
  prompt = PromptTemplate.from_template(template)
  formatted_prompt = prompt.format(style="武侠", topic="人工智能")
  # Output: "请用武侠风格，写一篇关于人工智能的短文"

示例选择器（ExampleSelector）

• 功能：动态选择最相关的示例用于 few-shot 学习

• 常用类型：

  • LengthBasedExampleSelector：根据长度自动选择示例
  • SemanticSimilarityExampleSelector：基于语义相似度选择
  • MaxMarginalRelevanceExampleSelector：平衡相关性与多样性

• 示例：

  from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
  from langchain_community.vectorstores import Chroma
  
  examples = [{"input": "高兴", "output": "😊"}, 
             {"input": "悲伤", "output":😢}]
  example_selector = SemanticSimilarityExampleSelector.from_examples(
      examples,
      embeddings_model,  # 需预先加载嵌入模型
      Chroma,
      k=1
  )

输出解析器（OutputParser）

• 功能：将模型原始输出转换为结构化数据

• 主要类型：

  • CommaSeparatedListOutputParser：解析逗号分隔列表
  • StructuredOutputParser：生成结构化输出
  • PydanticOutputParser：基于 Pydantic 模型验证输出

• 示例：

  from langchain.output_parsers import PydanticOutputParser
  from pydantic import BaseModel
  
  class JokeSchema(BaseModel):
      setup: str
      punchline: str
  
  parser = PydanticOutputParser(pydantic_object=JokeSchema)
  model_output = """{
      "setup": "为什么程序员总分不清万圣节和圣诞节？",
      "punchline": "因为 Oct 31 == Dec 25"
  }"""
  parsed = parser.parse(model_output)

---

完整使用流程示例

from langchain.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain.output_parsers import CommaSeparatedListOutputParser

# 1. 初始化组件
model = ChatOpenAI()
output_parser = CommaSeparatedListOutputParser()

# 2. 构建提示模板
template = """列出与{theme}相关的{num}个关键词，格式：CSV列表"""
prompt = ChatPromptTemplate.from_template(template)
prompt = prompt.partial(format_instructions=output_parser.get_format_instructions())

# 3. 创建处理链
chain = prompt | model | output_parser

# 4. 执行调用
result = chain.invoke({"theme": "气候变化", "num": 5})
print(result)
# 示例输出: ['温室气体', '碳排放', '可再生能源', '极端天气', '碳中和']

---

高级功能

动态提示组合*

base_prompt = PromptTemplate("你是一个{role}")
detail_prompt = PromptTemplate("擅长使用{language}编程")
combined_prompt = base_prompt + detail_prompt

流式输出处理

from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

chain = prompt | model.bind(streaming=True, callbacks=[StreamingStdOutCallbackHandler()])

多模型路由

from langchain.schema.runnable import RouterRunnable
router = RouterRunnable({
    "creative": creative_model,
    "technical": tech_model
})

---

最佳实践

模板管理

• 将常用模板存储在外部 YAML 文件
• 使用 FewShotPromptTemplate 管理多示例场景

错误处理

from langchain.schema import OutputParserException
try:
    parser.parse(invalid_output)
except OutputParserException as e:
    print(f"解析失败: {e}")

验证机制

from langchain.output_parsers import RetryOutputParser
retry_parser = RetryWithErrorOutputParser.from_llm(parser, model)

---

典型应用场景

1. 结构化数据生成（JSON/XML）
2. 多轮对话上下文管理
3. 多模态输入处理（结合图像/文本）
4. 领域特定问答系统
5. 自动化报告生成

通过合理组合这些 I/O 组件，开发者可以构建出灵活、健壮的 LLM 应用流水线。