【GPT入门】第19课 Langchain IO模型

概述

本文讲 LangChain 的核心组件
模型 I/O 封装
LLMs：大语言模型
Chat Models：一般基于 LLMs，但按对话结构重新封装
PromptTemple：提示词模板
OutputParser：解析输出

1. 四行代码调用OPENAI

from langchain_openai import ChatOpenAI

llm = ChatOpenAI()
response = llm.invoke("你是谁")
print(response.content)

2.三种角色

from langchain.schema import (
    AIMessage,  # 相当于OpenAI的ChatCompletion的role="assistant"
    HumanMessage,   # 相当于OpenAI的ChatCompletion的role="user"  
    SystemMessage  # 相当于OpenAI的ChatCompletion的role="system"
)   
from langchain_openai import ChatOpenAI

messages = [
    SystemMessage(content="你是一个专业的翻译员"),
    HumanMessage(content="你好，我想翻译一段英文，你能帮我吗？"),
    AIMessage(content="当然可以，你可以告诉我你要翻译的英文是什么？"),
    HumanMessage(content="how are you？")
]

llm = ChatOpenAI()
ret = llm.invoke(messages)
print(ret)

3. IO模型

3.1 PromptTemplate 可以在模板中自定义变量

from langchain.prompts import PromptTemplate

template = PromptTemplate.from_template("给我讲一个关于{subject}的笑话")
print(template)
print(template.format(subject="猫"))
template = PromptTemplate.from_template("给我讲主角是{name}，主题是{subject}的笑话")
print(template)
print(template.format(name="小明", subject="猫"))

from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
ret = llm.invoke(template.format(name="小明", subject="猫"))
print(ret)

3.2 ChatPromptTemplate用模板表示的对话上下文

from langchain.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
template = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(
        "你是{product}到客服助手，你的名字叫{name}"),
    HumanMessagePromptTemplate.from_template("{query}")
])
llm = ChatOpenAI()
prompt = template.format_messages(
    product="小米",
    name="小爱同学",
    query="你是谁"
)
ret = llm.invoke(prompt)
print(ret.content)
#我是小米客服助手，你可以叫我小爱同学。有什么问题我可以帮你解决呢？

3.3 从文件中加载prompt

from langchain.prompts import PromptTemplate

template = PromptTemplate.from_file("myPrompt.txt", encoding='utf-8')
print(template)
print(template.format(boyName="小明", girlName="小红"))

3.4 从json_schema定义输出格式

json_schema = {
    "title": "Date",
    "description": "Formated date expression",
    "type": "object",
    "properties": {
        "year": {
            "type": "integer",
            "description": "year, YYYY",
        },
        "month": {
            "type": "integer",
            "description": "month, MM",
        },
        "day": {
            "type": "integer",
            "description": "day, DD",
        },
        "era": {
            "type": "string",
            "description": "BC or AD",
        },
    },
}
structure_llm = llm.with_structured_output(json_schema)

print(structure_llm.invoke(input_prompt))

3.5 json输出的第二种方法

from langchain_core.output_parsers import JsonOutputParser

parser = JsonOutputParser(pydantic_object=Date)

prompt = PromptTemplate(
    template="提取用户输入中的日期。\n用户输入:{query}\n{format_instructions}",
    input_variables=["query"],
    partial_variables={"format_instructions": parser.get_format_instructions()},
)
query = "2025年三月6日天气晴..."
input_prompt = prompt.format_prompt(query=query)
output = llm.invoke(input_prompt)
print("原始输出:\n"+output.content)

print("\n解析后:")
print(parser.invoke(output))

3.6 OutputFixingParser做格式自动修正

from langchain.output_parsers import OutputFixingParser

new_parser = OutputFixingParser.from_llm(parser=parser, llm=ChatOpenAI())

bad_output = output.content.replace("3","四")
print("PydanticOutputParser:")
try:
    print(parser.invoke(bad_output))
except Exception as e:
    print(e)

print("OutputFixingParser:")
print(new_parser.invoke(bad_output))