玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南

标签：输出 Prompt 示例 模型 LangChain API 玩转

系列文章目录

01-玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南

---

文章目录

• 系列文章目录
• 前言
• 一、LangChain 环境搭建与初始配置
• • 1.1 安装依赖
  • 1.2 环境变量加载
  • • 1.2.1 具体步骤
    • 1.2.2 注意事项
  • 1.3 初始化模型客户端
• 二、基础示例：与模型交互
• • 2.1 直接调用模型
  • • 2.1.1 示例代码
    • 2.1.2 示例输出
  • 2.2 处理多行输入
  • • 2.2.1 示例代码
    • 2.2.2 示例输出
• 三、Prompt 模板的使用
• • 3.1 什么是 Prompt 模板？
  • 3.2 创建 Prompt 模板
  • 3.3 格式化 Prompt
  • • 3.3.1 示例代码
    • 3.3.2 示例输出
  • 3.4 调用模型
  • • 3.4.1 示例代码
    • 3.4.2 示例输出
• 四、高级用法：信息提取与输出解析器
• • 4.1 定义提取模板
  • 4.2 格式化 Prompt 并调用模型
  • • 4.2.1 示例代码
    • 4.2.2 示例输出
• 五、解析模型输出为结构化数据
• • 5.1 为什么需要解析器？
  • 5.2 定义解析规则
  • • 5.2.1 示例代码
  • 5.3 获取解析格式说明
  • • 5.3.1 示例代码
    • 5.3.2 示例输出
  • 5.4 解析模型输出
  • • 5.4.1 示例代码
    • 5.4.2 注意事项
• 六、总结与展望
• • 6.1 总结
  • 6.2 本文代码汇总
  • • 6.2.1 环境变量加载代码
    • 6.2.2 初始化模型客户端
    • 6.3.3 创建 Prompt 模板并调用模型
    • 6.3.4 定义解析规则并解析输出

---

前言

在人工智能技术快速发展的背景下，大语言模型（LLM）的应用场景越来越广泛，例如自动化文本生成、智能问答系统、知识提取等。然而，如何高效地与这些大模型交互，成为开发者面临的一大挑战。LangChain正是为解决这一问题而生的。

LangChain 是一个开源框架，旨在帮助开发者更便捷地与大语言模型（如 OpenAI 的 GPT 系列、阿里云通义千问 Qwen）进行交互。通过 LangChain，开发者可以轻松整合模型调用、Prompt 模板管理、复杂任务链条设计以及输出解析等功能，大幅提升开发效率和应用的可靠性。

LangChain 的核心模块

LangChain 由以下核心模块组成，每个模块都有其特定的功能：

1. Model（模型）

   • 提供与大语言模型交互的接口，例如 OpenAI、阿里云等的 LLM。
   • 开发者可以轻松配置 API 调用和模型参数。

2. Prompt（提示词）

   • 提供动态提示词模板管理功能，支持变量插值、Prompt 优化。
   • 适用于创建灵活且高效的模型交互任务。

3. Chains（链条）

   • 用于将多个任务步骤组合成一个链条，例如多次调用模型完成复杂的推理任务。
   • 支持模块化设计，便于维护和扩展。

4. Memory（记忆）

   • 提供上下文记忆功能，可以让模型在多轮对话中记住用户的输入和历史对话内容。
   • 适合构建长时间、多轮交互的对话系统。

5. Output Parsers（输出解析器）

   • 解析模型的返回结果，例如将文本解析为 JSON 结构，便于后续处理。
   • 特别适用于信息提取、分类任务等。

6. Agents（代理）

   • 集成多种工具（如 API、数据库、文件系统）与模型交互，使模型能够动态调用外部资源完成复杂任务。
   • 适合构建更智能化的自动化工作流。

LangChain 的应用场景

LangChain 的灵活性和模块化设计使其广泛适用于以下场景：

• 文本生成与翻译：例如生成新闻稿、调整语气风格、翻译专业文档。
• 智能问答与知识库：构建基于文档、数据库的知识问答系统。
• 信息提取与分析：从非结构化文本中提取关键信息，例如用户评论分析、商业报告解析。
• 对话系统与聊天机器人：利用记忆模块支持上下文多轮对话，实现类似 ChatGPT 的应用。
• 自动化工作流：通过 Agents 模块集成外部工具，完成复杂的任务链，例如自动处理订单或执行 API 查询。

本文主题

本篇文章聚焦于 LangChain 的核心功能模块：Model、Prompt 和 Output Parser，并通过实际代码示例，帮助理解如何使用这些模块完成与大语言模型的交互任务。

通过阅读本文，将学会：

1. 如何初始化并调用 LangChain 模型。
2. 如何使用 Prompt 模板提高交互效率。
3. 如何通过 Output Parser 解析模型返回的复杂数据。

---

一、LangChain 环境搭建与初始配置

在开始构建 LangChain 应用之前，需要完成基础环境的搭建和配置。

1.1 安装依赖

在项目环境中安装必要的 Python 包：

pip install langchain langchain-community python-dotenv openai

这些依赖包含了 LangChain 框架、环境变量管理工具 python-dotenv 和与 OpenAI 模型交互的接口。

1.2 环境变量加载

为了保护敏感信息（如 API Key 和 API URL），建议将这些信息存储在项目根目录下的一个名为 .env 的文件中。这样可以避免将敏感信息直接暴露在代码中，同时方便环境的统一配置。

1.2.1 具体步骤

1. 创建 .env 文件
   在项目根目录下创建一个名为 .env 的文件。注意，这个文件不需要任何扩展名。
   如果使用版本控制（如 Git），记得将 .env 文件添加到 .gitignore 中，避免敏感信息被提交到代码仓库。

2. 编写 .env 文件内容
   .env 文件的内容采用键值对的形式，每行一个键值对，格式如下：

阿里云通义千问（Qwen）API 配置
ALIYUN_API_KEY=你的阿里云API密钥
ALIYUN_API_URL=你的阿里云API地址，例如：https://dashscope.aliyuncs.com/compatible-mode/v1

DeepSeek API 配置
DEEPSEEK_API_KEY=你的DeepSeek API密钥
DEEPSEEK_API_URL=你的DeepSeek API地址，例如：https://api.deepseek.com

OpenAI API 配置
OPENAI_API_KEY=你的OpenAI API密钥
OPENAI_API_URL=https://api.openai.com/v1

• 键名：ALIYUN_API_KEY 和 ALIYUN_API_URL 是阿里云 API 的密钥和访问地址；DEEPSEEK_API_KEY 和 DEEPSEEK_API_URL 是DeepSeek API 的密钥和地址；OPENAI_API_KEY 和 OPENAI_API_URL 是OpenAI API 的密钥和地址。
• 值：具体的密钥和 URL 需要根据实际情况替换为你自己的值。

3. 在代码中加载 .env 文件
   使用 python-dotenv 模块加载 .env 文件中的内容到 Python 程序中。示例如下：

   import os
   from dotenv import load_dotenv

   # 加载 .env 文件中的环境变量
   load_dotenv()

   # 获取环境变量的值
   api_key = os.getenv("ALIYUN_API_KEY")
   base_url = os.getenv("ALIYUN_API_URL")

1.2.2 注意事项

• .env 文件应放在项目根目录下，与主代码文件（如 main.py）处于同一级目录。这样 load_dotenv() 可以自动找到 .env 文件。
• 在使用其他环境变量（如 DEEPSEEK_API_KEY 和 DEEPSEEK_API_URL）时，直接通过 os.getenv("<变量名>") 访问即可。
• 确保 .env 文件已正确加载。如果程序中获取不到变量值，请检查文件路径和格式是否正确。

通过这种方式，可以在保护敏感信息的同时，方便多环境配置和管理。

1.3 初始化模型客户端

使用 LangChain 提供的 ChatOpenAI，连接阿里云通义千问模型（Qwen）：

from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(
    openai_api_key=api_key,
    model_name="qwen-plus",
    base_url=base_url
)

至此，环境已经完成初始化，可以开始与模型交互。

---

二、基础示例：与模型交互

2.1 直接调用模型

通过 invoke 方法调用模型并获取响应，以下是一个简单的示例，让模型输出一个笑话：

2.1.1 示例代码

response = llm.invoke("请讲一个笑话")
print(response.content)

2.1.2 示例输出

一个笑话：程序员的灯为什么一直亮着？因为他们在调试。哈哈！

2.2 处理多行输入

LangChain 能够轻松处理多行输入，例如将客户投诉翻译成文言文：

2.2.1 示例代码

customer_email = "搅拌机盖子坏了，奶昔飞溅了一地！"
style = "文言文，语气平静且尊重"
prompt = f"将以下文本翻译成 {style} 风格。文本: ```{customer_email}```"

response = llm.invoke(prompt)
print(response.content)

2.2.2 示例输出

吾甚恚，因搅拌机之盖骤飞，致奶昔四溅，污及厨壁。幸未伤人，惟祈妥善处理此事。

---

三、Prompt 模板的使用

3.1 什么是 Prompt 模板？

Prompt 模板允许我们通过动态变量插值，快速生成特定场景的 Prompt。例如：

template_string = """将用三个反引号分隔的文本，转换成{style}风格。
文本：```{text}```
"""

3.2 创建 Prompt 模板

使用 ChatPromptTemplate 构造模板对象：

from langchain.prompts import ChatPromptTemplate

prompt_template = ChatPromptTemplate.from_template(template_string)

3.3 格式化 Prompt

通过向模板插入变量生成完整的 Prompt：

3.3.1 示例代码

customer_style = "商业正式邮件语气"
customer_email = "哎呀，我真是气坏了，我的搅拌机盖子飞了出去，把我的厨房墙壁溅满了果汁！更糟糕的是，保修不包括清理厨房的费用。我现在需要你的帮助，伙计！！"
messages = prompt_template.format_messages(style=customer_style, text=customer_email)
print(messages[0].content)

3.3.2 示例输出

将用三个反引号分隔的文本，转换成商业正式邮件语气。
文本：```哎呀，我真是气坏了，我的搅拌机盖子飞了出去，把我的厨房墙壁溅满了果汁！更糟糕的是，保修不包括清理厨房的费用。我现在需要你的帮助，伙计！！```

3.4 调用模型

调用模型生成结果：

3.4.1 示例代码

response = llm.invoke(messages)
print(response.content)

3.4.2 示例输出

尊敬的客户服务团队：

您好！

我在使用贵公司的搅拌机时遇到了一些问题，希望能够得到您的协助。在最近一次操作过程中，搅拌机的盖子意外飞出，导致果汁溅满了厨房的墙壁。这一情况不仅影响了我的使用体验，也对厨房环境造成了一定的清理负担。

更让我困扰的是，根据产品的保修条款，清理相关费用似乎不在保修范围内。对此，我感到十分遗憾，并希望能与贵公司沟通，寻求一个合理的解决方案。

期待您的回复，并感谢贵公司对客户问题的关注和支持。

此致  
敬礼 

---

四、高级用法：信息提取与输出解析器

4.1 定义提取模板

通过 Prompt 模板提取文本中的特定信息（如礼物名称、送达时间和价格）：

review_template = """\
对于以下文本，提取以下信息：

gift: 该商品是否作为礼物购买给他人？\
如果是，则回答 True；如果不是或未知，则回答 False。

delivery_days: 产品送达花了多少天？\
如果未找到此信息，则输出 -1。

price_value: 提取任何关于价值或价格的句子，\
并将其作为逗号分隔的 Python 列表输出。

将输出格式化为 JSON，包含以下键：
gift
delivery_days
price_value

text: {text}
"""

customer_review = """\
这个吹叶机非常棒。它有四种模式：\
蜡烛吹风、轻柔微风、城市大风和龙卷风。\
它在两天内送达，正好赶上我妻子的\
周年纪念礼物。\
我觉得我妻子非常喜欢它，以至于她都说不出话了。\
到目前为止，只有我在使用它，我每隔一天早上\
用它来清理我们草坪上的树叶。\
它比其他吹叶机稍微贵一些，\
但我觉得它的额外功能物有所值。
"""

4.2 格式化 Prompt 并调用模型

格式化 Prompt 后调用模型：

4.2.1 示例代码

messages = ChatPromptTemplate.from_template(review_template).format_messages(text=customer_review)

response = llm.invoke(messages)
print(response.content)

4.2.2 示例输出

注意，这里输出的内容其实是字符串。

{
    "gift": "礼物",
    "delivery_days": 2,
    "price_value": "它比其他吹叶机稍微贵一些，\
    				但我觉得它的额外功能物有所值。"
}

---

五、解析模型输出为结构化数据

5.1 为什么需要解析器？

模型返回的输出通常是非结构化的字符串数据，对于后续操作（如存储、数据分析或集成到其他系统）会显得不方便。使用解析器可以直接将模型输出转换为结构化数据格式，如字典或 JSON，以便进一步处理和利用。

---

5.2 定义解析规则

使用 ResponseSchema 定义解析规则，指定需要从模型输出中提取的字段及其描述。以下示例中，我们提取了三个字段：gift、delivery_days 和 price_value。

5.2.1 示例代码

from langchain.output_parsers import ResponseSchema, StructuredOutputParser

# 定义每个字段的解析规则
gift_schema = ResponseSchema(
    name="gift", 
    description="该商品是否作为礼物购买给他人？如果是，则回答 True，如果不是或未知，则回答 False。"
)

delivery_days_schema = ResponseSchema(
    name="delivery_days", 
    description="产品送达花了多少天？如果未找到此信息，则输出 -1。"
)

price_value_schema = ResponseSchema(
    name="price_value", 
    description="提取任何关于价值或价格的句子，并将其作为逗号分隔的 Python 列表输出。"
)

# 将所有规则组合成一个解析器
response_schemas = [gift_schema, delivery_days_schema, price_value_schema]
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)

---

5.3 获取解析格式说明

为了让模型生成符合解析器要求的输出，我们需要打印并传递解析器的格式说明给模型。以下代码展示了如何获取格式说明：

5.3.1 示例代码

# 获取解析器的格式说明
format_instructions = output_parser.get_format_instructions()
print(format_instructions)

5.3.2 示例输出

{
    "gift": "<True 或 False>",
    "delivery_days": "<送达天数，或 -1 如果未知>",
    "price_value": "<关于价值或价格的句子列表>"
}

可以将这个格式说明作为提示词的一部分，告知模型需要生成符合此格式的输出。

---

5.4 解析模型输出

一旦模型生成了符合解析器要求的输出，可以使用 StructuredOutputParser 将字符串解析为结构化数据。以下是示例代码：

5.4.1 示例代码

# 假设模型返回的内容如下：
response_content = """
{
    "gift": true,
    "delivery_days": 2,
    "price_value": ["这个产品稍贵一些，但值得购买。"]
}
"""

# 使用解析器解析模型输出
output_dict = output_parser.parse(response_content)

# 示例：访问结构化数据中的某个字段
print(output_dict.get("delivery_days"))  # 输出: 2

---

通过这种方法，可以轻松将模型的文本输出解析为结构化数据形式，方便后续操作。

5.4.2 注意事项

1. 确保模型输出的格式与解析器的格式说明一致，否则解析可能会失败。
2. 错误处理：当解析失败时，使用 try-catch 机制捕获异常，并根据实际需求进行处理或记录日志。
3. 扩展性：可以根据具体应用场景，动态增加或调整 ResponseSchema 的字段及规则。

---

六、总结与展望

6.1 总结

在本篇文章中，我们详细介绍了 LangChain 的核心模块之一：Model、Prompt 和 Output Parser，并通过实际的代码示例展示了如何完成从环境搭建到模型调用、Prompt 模板使用以及输出解析的完整流程。以下是主要的学习收获：

1. 模型调用：我们学习了如何通过 LangChain 初始化大语言模型（LLM），并简单高效地与其交互。

   • 示例包括调用模型生成笑话以及处理客户投诉等任务。

2. Prompt 模板：通过 ChatPromptTemplate 动态生成交互提示，提高了 Prompt 的灵活性。

   • 示例展示了如何根据不同的场景（如商业正式邮件）动态插入变量生成 Prompt。

3. 输出解析器：使用 StructuredOutputParser 将模型的非结构化字符串输出转换为结构化的 JSON 数据。

   • 我们定义了 ResponseSchema 来提取特定字段的信息，例如礼物购买信息、送达天数以及价格描述。
   • 使用解析器极大地简化了后续的自动化处理流程。

LangChain 通过模块化设计，将复杂的 LLM 应用简化为标准化的任务步骤。无论是简单的模型调用，还是复杂的任务链条设计，LangChain 都能提供高效、灵活的解决方案。

---

6.2 本文代码汇总

以下是本篇文章中涉及的完整代码片段，方便读者快速复现：

6.2.1 环境变量加载代码

import os
from dotenv import load_dotenv

# 加载 .env 文件中的环境变量
load_dotenv()

# 获取环境变量
api_key = os.getenv("ALIYUN_API_KEY")
base_url = os.getenv("ALIYUN_API_URL")

6.2.2 初始化模型客户端

from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(
    openai_api_key=api_key,
    model_name="qwen-plus",
    base_url=base_url
)

6.3.3 创建 Prompt 模板并调用模型

from langchain.prompts import ChatPromptTemplate

# 定义 Prompt 模板
template_string = """将用三个反引号分隔的文本，转换成{style}风格。
文本：```{text}```
"""
prompt_template = ChatPromptTemplate.from_template(template_string)

# 格式化 Prompt
customer_style = "商业正式邮件语气"
customer_email = "哎呀，我真是气坏了，我的搅拌机盖子飞了出去，把我的厨房墙壁溅满了果汁！更糟糕的是，保修不包括清理厨房的费用。我现在需要你的帮助，伙计！！"
messages = prompt_template.format_messages(style=customer_style, text=customer_email)

# 调用模型
response = llm.invoke(messages)
print(response.content)

6.3.4 定义解析规则并解析输出

from langchain.output_parsers import ResponseSchema, StructuredOutputParser

# 定义解析规则
gift_schema = ResponseSchema(
    name="gift", 
    description="该商品是否作为礼物购买给他人？如果是，则回答 True；如果不是或未知，则回答 False。"
)

delivery_days_schema = ResponseSchema(
    name="delivery_days", 
    description="产品送达花了多少天？如果未找到此信息，则输出 -1。"
)

price_value_schema = ResponseSchema(
    name="price_value", 
    description="提取任何关于价值或价格的句子，并将其作为逗号分隔的 Python 列表输出。"
)

response_schemas = [gift_schema, delivery_days_schema, price_value_schema]
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)

# 获取格式说明
format_instructions = output_parser.get_format_instructions()
print(format_instructions)

# 假设模型输出
response_content = """
{
    "gift": true,
    "delivery_days": 2,
    "price_value": ["这个产品稍贵一些，但值得购买。"]
}
"""

# 解析输出
output_dict = output_parser.parse(response_content)
print(output_dict.get("delivery_days"))  # 输出: 2

通过本文的代码示例和功能讲解，希望能帮助快速掌握 LangChain 的核心功能模块。如果有任何问题或建议，欢迎在评论区讨论交流！

标签：输出,Prompt,示例,模型,LangChain,API,玩转
From： https://blog.csdn.net/Kiradzy/article/details/144973054