LangChain之Models（模型）完整篇

​模型，位于LangChain框架的最底层，它是基于语言模型构建的应用核心元素，因为所谓LangChain应用开发，就是以LangChain作为框架，通过API调用大模型来解决具体问题的过程。

而整个LangChain框架的逻辑都是由LLM这个发动机来驱动的。没有模型，LangChain这个框架也就失去了它存在的意义。
​​

一、MOdel I/O

我们在使用过程中是可以将模型拆解成三块，分别是输入提示（Format）、调用模型(Predict)、输出解析(Parse)。由于这三块形成一个整体，因此在LangChain中，这个过程被统称为Model I/O(Input/Output)

在模型I/O的每个环节，LangChain都提供了模板和工具，能快捷地形成调用各种语言模型的接口

二、提示模板

语言模型就是一个无穷无尽的宝藏，封装了人类的知识和智慧，像一个“魔合”，但怎么才能顺利，便捷解锁其中奥秘，需要我们深研，探索。所以“提示工程”这个词特别流行，所谓Prompt Engineering，就是专门研究对大语言模型的提示构建。

好的提示总能让调用语言模型做到事半功倍

约定了一个原则，不妨先作为工作中的标准，然后在实践加以考究和调整。

1、给予模型清晰明确的提示
2、让模型慢慢地思考

那好吧，下面让我们实践一下：从创建一个简单的LangChain提示模板开始

# 导入LangChain中的提示模板
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)

实际应用可以这样写

input_variables = ['flower_name','price'] #输入的变量
output_parser = None
partial_variables = {
   
   }
# 创建原始模板
template = '/\n 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？'
template_format = 'f-string'
validate_template = True

该模板就是一段描述某鲜花的文本格式，它是一个f-string，其中有两个变量{cake_name}和{price}表示鲜花的名称和价格，这两个值是模板里面的占位符，在实际使用模板生成提示时会被具体的值替换。

**# 根据原始模板创建LangChain提示模板**
prompt = PromptTemplate.from_template(template)`

三、语言模型

LangChain中支持的模型有三大类:

1、大语言模型（LLM），也叫Text Model,这些模型将文本字符串作为输入，并返回文本字符串作为输出。Open AI的text-davinci-003,Facebook的LLaMA、ANTHROPIC的Claude，例如：deepseek的例子

import requests
from public import comm

API_URL = "https://api.deepseek.com/v1/chat/completions"
#API_KEY = "your_api_key_here"
API_KEY = comm.api_key
headers = {
   
   
    "Authorization": f"Bearer {
     
     API_KEY}",
    "Content-Type": "application/json"
}

data = {
   
   
    "model": "deepseek-chat",  # 或其他可用模型
    "messages": [
        {
   
   "role": "system", "content": "你是一个有帮助的助手"},
        {
   
   "role": "user", "content": "你好！"}
    ],
    "temperature": 0.7
}

response = requests.post(API_URL, headers=headers, json=data)
print(response.json())

,都是典型的LLM。

2、聊天模型（Chat Mode)，主要代表Open AI的ChatGPT系统模型。这些模型通常由语言模型支持，但它们的API更加结构化。具体来说，这些模型将聊天消息列表作为输入，并返回消息。如deepseek的例子：

import requests
from public import comm


DEEPSEEK_API_URL = "https://api.deepseek.com/v1/chat/completions"
#API_KEY = "your_api_key_here"  # 替换为你的实际API密钥
API_KEY = comm.api_key

headers = {
   
   
    "Authorization": f"Bearer {
     
     API_KEY}",
    "Content-Type": "application/json"
}

data = {
   
   
    "model": "deepseek-chat",  # 指定使用DeepSeek Chat模型
    "messages": [
        {
   
   "role": "system", "content": "你是一个有帮助的AI助手"},
        {
   
   "role": "user", "content": "请解释一下机器学习的基本概念"}
    ],
    "temperature": 0.7,  # 控制生成文本的随机性
    "max_tokens": 1024   # 限制生成的最大token数量
}

response = requests.post(DEEPSEEK_API_URL, headers=headers, json=data)
if response.status_code == 200:
    print(response.json()["choices"][0]["message"]["content"])
else:
    print(f"请求失败，状态码: {
     
     response.status_code}")

3、文本嵌入模型（Embedding Model）,这些模型将文本作为输入并返回浮点数列表，也就是Embedding。而文本嵌入模型如OpenAI的text-embedding-ada-002,文本嵌入模型负责把文档存入向量数据库，各当前探讨的提示工程关系不大。

再看下面一个例子：