目錄
什么是 Model I/O？
一、提示模板（PromptTemplate）
1.1 什么是提示模板？
1.2 常見提示模板類型
二、模型調用（Model Predict）
三、輸出解析（Output Parser）
?綜合示例：三段式 Model I/O 流水線
總結
在構建大語言模型（LLM）應用時，我們經常會經歷這樣一個過程：
編寫提示 → 調用模型 → 處理輸出
LangChain 將這一流程模塊化，統稱為 Model I/O。本篇文章將帶你深入理解什么是 Model I/O，它包含哪些部分，怎么使用，以及它為什么是 LangChain 的核心能力之一。
什么是 Model I/O？
LangChain 的 Model I/O 模塊將對語言模型的交互抽象為三個核心階段：
| 階段 | 作用 |
|---|---|
| 提示模板 | 構造輸入給模型的內容，支持變量插入、格式統一等 |
| 模型調用 | 使用通用接口調用各種 LLM（OpenAI、Qwen、Claude 等） |
| 輸出解析 | 將模型的非結構化輸出解析為結構化、可用的程序化格式 |
這三個環節各自獨立、可組合，也可以統一組成一個強大的“提示-執行-解析”流水線。
一、提示模板（PromptTemplate）
1.1 什么是提示模板？
提示模板是為語言模型構建輸入內容的模板化方案，它的作用是：
-
動態插入變量：根據用戶輸入自動填充提示內容；
-
提升可讀性：統一格式，邏輯清晰；
-
支持復用與維護：更改模板內容不會影響整個應用邏輯。
一個簡單例子：
from langchain.prompts import PromptTemplatetemplate = PromptTemplate.from_template("請為以下主題寫一首詩：{topic}")
prompt = template.format(topic="春天")
# 輸出: 請為以下主題寫一首詩：春天
你無需手動拼接字符串，LangChain 自動幫你處理變量插值與語法規范。
1.2 常見提示模板類型
| 類型 | 描述 | 示例 |
|---|---|---|
PromptTemplate | 傳統的字符串提示模板，適用于非對話任務 | 文本摘要、改寫等 |
ChatPromptTemplate | 多角色聊天模板，支持系統/用戶/AI 消息組合 | ChatGPT 風格對話 |
FewShotPromptTemplate | 小樣本提示模板，通過示例指導模型行為 | 情感分類、代碼示例 |
PipelinePromptTemplate | 多段提示拼接形成一個完整的上下文 | 多步驟提示場景 |
PartialPromptTemplate | 支持部分變量先注入，延后填完整提示 | 多階段生成流程 |
| 自定義模板 | 自定義子類以擴展功能 | 特定結構或多語言支持 |
📌 小貼士：ChatPromptTemplate 是構建多輪對話機器人或角色扮演 AI 的首選模板。
二、模型調用（Model Predict）
LangChain 提供了統一的模型接口，你只需關心模型“做什么”，不用關心“怎么調用”。
常用模型類：
| 模型類 | 用途 | 示例 |
|---|---|---|
ChatOpenAI | OpenAI 聊天模型 | gpt-3.5-turbo |
DashScopeChatModel | 阿里百煉模型支持 | qwen-turbo |
LLamaCpp, Ollama | 本地部署模型 | 無需聯網，私有化 |
ChatAnthropic | Claude 系列支持 | Claude 3 系列 |
通過鏈式組合，你可以快速將提示模板連接模型：
chain = prompt | llm # prompt 為 PromptTemplate, llm 為 ChatOpenAI
三、輸出解析（Output Parser）
模型輸出通常是非結構化的文本，但在真實業務中，我們更需要結構化數據。
LangChain 提供多種輸出解析器（Parser），幫助你從結果中提取有用內容：
| 類型 | 功能 |
|---|---|
StrOutputParser | 默認返回字符串（用于簡單場景） |
StructuredOutputParser | 將輸出轉換為 JSON / dict 等結構化格式 |
PydanticOutputParser | 支持復雜結構與驗證的解析器 |
| 正則解析器 / 自定義解析器 | 適用于固定格式或復雜結構提取 |
示例：
from langchain.output_parsers import StructuredOutputParser
from langchain.output_parsers.schema import ResponseSchemaschemas = [ResponseSchema(name="title", description="新聞標題"),ResponseSchema(name="summary", description="簡要內容")]parser = StructuredOutputParser.from_response_schemas(schemas)
parsed = parser.parse("標題：LangChain發布新版本\n摘要：優化了RAG性能")
?綜合示例：三段式 Model I/O 流水線
from langchain.prompts import PromptTemplate
from langchain.chat_models import ChatOpenAI
from langchain.output_parsers import StrOutputParserprompt = PromptTemplate.from_template("請總結以下文本內容：{text}")
llm = ChatOpenAI()
parser = StrOutputParser()chain = prompt | llm | parserresult = chain.invoke({"text": "LangChain 是一個用于構建 LLM 應用的框架..."})
print(result)
輸出結果： LangChain 是一個幫助你構建 AI 應用的強大工具，支持鏈、Agent、RAG 等組件。
總結
LangChain 的 Model I/O 模塊本質上是在做一件事：
把 輸入設計 → 模型執行 → 輸出提取 變得標準、模塊化、可復用。
| 模塊 | 功能關鍵點 |
|---|---|
| Prompt | 模板化生成提示，支持變量插值 |
| Model | 一致性調用不同 LLM，適配主流平臺 |
| OutputParse | 抽取結構化信息，降低處理成本 |
如果你打算構建一個嚴肅的 AI 應用，無論是智能問答、客服機器人，還是知識管理系統，Model I/O 都是你繞不開的第一步。
)
