LangChain框架的输入输出（I/O）流程是一个标准化的数据处理管道，主要由提示、语言模型和输出解析器三个核心组件构成，它们协同工作实现与语言模型的交互。
8.2.1 提示
提示（Prompt）是向语言模型提供的输入文本，用于引导模型生成特定类型的回答。LangChain提供了多种提示模板，让你可以动态地构建提示。提示的关键特性包括模板化和多类型支持。
（1）模板化：使用PromptTemplate将用户输入（如变量）动态嵌入预定义的文本模板（如“解释{term}的概念”）。
（2）多类型支持：包括少量示例提示（FewShotPromptTemplate）和对话提示（ChatPromptTemplate）等。
【示例8.1】提示。
from langchain.prompts import PromptTemplate
#创建一个提示模板
prompt = PromptTemplate(
input_variables=["topic"],
template="请简要解释一下{topic}的基本概念。"
)
#格式化提示
formatted_prompt = prompt.format(topic="量子计算")
print(formatted_prompt) #输出: "请简要解释一下量子计算的基本概念。"
输出：
请简要解释一下量子计算的基本概念。
8.2.2 语言模型
LangChain支持多种语言模型（Language Model），包括OpenAI、Hugging Face等。你可以直接调用这些模型来处理提示并生成回答。语言模型接收提示并生成文本输出，主要分为大语言模型（LLM）和聊天模型（Chat Model）。
（1）大语言模型：如OpenAI的text-davinci-003，生成非结构化文本。
（2）聊天模型：如GPT-3.5-Turbo，专为多轮对话设计，输入/输出为结构化消息（HumanMessage、AIMessage）。
【示例8.2】语言模型Qwen+LangChain。
from modelscope import AutoModelForCausalLM, AutoTokenizer
from langchain.prompts import PromptTemplate
import os
#设置镜像和缓存路径
#os.environ['MODELSCOPE_CACHE'] = './model_cache' #直接使用示例2.1下载的模型Qwen3-1.7B
os.environ['MODELSCOPE_MIRROR'] = 'https://www.modelscope.cn'
#创建提示模板
prompt = PromptTemplate(
input_variables=["topic"],
template="请简要解释一下{topic}的基本概念。"
)
formatted_prompt = prompt.format(topic="量子计算")
print(formatted_prompt)
try:
#尝试初始化模型
model_id = "qwen/Qwen3-1.7B"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto", trust_remote_code=True)
#生成回答
inputs = tokenizer(formatted_prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=200)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)
except Exception as e:
print(f"加载模型时出错: {e}")
print("请检查网络连接或尝试使用离线模式")
输出：
请简要解释一下量子计算的基本概念。
量子计算是一种基于量子力学原理进行信息处理的计算方式。与传统计算机使用二进制位（0和1）不同，量子计算使用量子比特（qubit），它可以处于0、1的叠加态，并且多个量子比特之间可以形成纠缠关系。这使得量子计算机在解决某些特定问题（如大数分解、数据库搜索、量子模拟等）时，能够展现出远超传统计算机的计算能力，有望在密码学、材料科学、人工智能等领域带来革命性突破。
8.2.3 输出解析器
输出解析器（Output Parser）用于处理语言模型的输出，将其转换为结构化的数据（如JSON、列表等）。因此，它在需要特定格式回答的场景中特别有用。输出解析器的常用类型包括：
（1）结构化解析器：强制输出为指定格式（如PydanticOutputParser）。
（2）列表解析器：拆分逗号分隔的字符串为列表（CommaSeparatedListOutputParser）。
（3）重试解析器：自动修复格式错误的输出。
【示例8.3】输出解析器。
from langchain.output_parsers import CommaSeparatedListOutputParser
#初始化输出解析器
output_parser = CommaSeparatedListOutputParser()
#假设模型输出是一个逗号分隔的列表
model_output = "人工智能,机器学习,深度学习"
#解析输出
parsed_output = output_parser.parse(model_output)
print(parsed_output) #输出: ['人工智能', '机器学习', '深度学习']
输出：
['人工智能', '机器学习', '深度学习']
