1、什么是模型IO

????????模型 I/O（Model I/O） 是 LangChain 框架中最核心的模塊之一，負責處理與語言模型（LLM）交互的輸入構建、模型調用和輸出解析全流程。它主要分為三個模塊：Prompts（輸入構建）、Language Models（模型調用）、Output Parsers（輸出解析）

2、提示詞模板

????????提示詞可以被視為向大語言模型提出的請求,它們表明了使用者希望模型給出何種反應。提示詞的質量直接影響模型的回答質量,決定了模型能否成功完成更復雜的任務。

????????在 LangChain 框架中, 提示詞是由 "提示詞模板" (PromptTemplate ) 這個包裝器對象生成的。每一個 PromptTemplate 類的實例都定義了一種特定類型的提示詞格式 和 生成規則。 在 LangChain 中, 要想構造提示詞, 就必須學會使用這個包裝器對象。

? ? ? ? 提示詞的模板通常包含（不限于）：明確的指令、用戶輸入、少量實例，如下圖：

2.1 提示詞模板提供了兩種方法：from_format和format? ? ??

from_format是創建一個模板，模板中可能有需要填充的參數

format的是將模板格式化，填充需要的參數

from langchain.prompts import PromptTemplate# 創建一個提示詞模板
template = """
你是一個有用的助手。
用戶的名字是 {name}。
用戶的問題是: {question}
請用詳細的回答這個問題。
"""
print("\n=== formatted_prompt1 ===")
prompt_template = PromptTemplate.from_template(template)
formatted_prompt1 = prompt_template.format(name="張三", question="什么是人工智能？")
print(formatted_prompt1)print("\n=== formatted_prompt2 ===")
formatted_prompt2 = prompt_template.format(name="李四", question="機器學習和深度學習有什么區別？")
print(formatted_prompt2)# 展示另一種使用from_template的方式
print("\n=== 直接使用from_template并傳入參數 ===")
prompt_template3 = PromptTemplate.from_template("""
你是一個有用的助手。
用戶的名字是 {name}。
用戶的問題是: {question}
請用詳細的回答這個問題。
""")# 直接在from_template中定義模板并格式化
formatted_prompt3 = prompt_template3.format(name="王五", question="Python中類和對象的概念是什么？")
print(formatted_prompt3)# 展示PromptTemplate的其他常用屬性和方法
print("\n=== PromptTemplate屬性和方法 ===")
print(f"輸入變量: {prompt_template.input_variables}")
print(f"模板字符串: {prompt_template.template}")

2.2 langchain定義的內部模板

? ? ? ? langchain定義了一些內置的提示詞模板，可以通過入參使用。定義在langchain.chains.api.prompt，執行其內容如下：

2.3 提示詞模板包裝器

????????提示詞模板包裝器分為兩類：PromotTemplate包裝器 和 ChatPromptTemplate包裝器兩類，FewShotPromptTemplate是PromotTemplate的擴展，以下總結整理這三種包裝器：

from langchain.prompts import PromptTemplate, ChatPromptTemplate, FewShotPromptTemplate
from langchain.prompts.example_selector import LengthBasedExampleSelector# 1. PromptTemplate - 基礎提示模板
print("=== 1. PromptTemplate - 基礎提示模板 ===")
template = """
你是一個{role}。
請回答以下問題: {question}
"""prompt_template = PromptTemplate.from_template(template)
formatted_prompt = prompt_template.format(role="AI助手", question="什么是機器學習？")
print(formatted_prompt)# 2. ChatPromptTemplate - 聊天提示模板
print("\n=== 2. ChatPromptTemplate - 聊天提示模板 ===")
chat_template = ChatPromptTemplate.from_messages([("system", "你是一個{role}，你的名字是{name}"),("human", "你好，{greeting}"),("ai", "你好！很高興見到你。"),("human", "{question}")
])chat_prompt = chat_template.format_messages(role="專業的技術顧問",name="TechExpert",greeting="我想了解一些技術知識",question="請解釋一下深度學習的基本概念"
)for message in chat_prompt:print(f"{message.type}: {message.content}")# 3. FewShotPromptTemplate - 少樣本提示模板
print("\n=== 3. FewShotPromptTemplate - 少樣本提示模板 ===")# 定義示例
examples = [{"input": "什么是人工智能？","output": "人工智能是計算機科學的一個分支，旨在創建能夠執行通常需要人類智能的任務的機器。"},{"input": "機器學習是什么？","output": "機器學習是人工智能的一個子集，它使計算機能夠從數據中學習并做出決策或預測，而無需明確編程。"}
]# 創建基礎模板
example_prompt = PromptTemplate.from_template("問題: {input}\n答案: {output}"
)# 創建FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(examples=examples,example_prompt=example_prompt,suffix="問題: {input}\n答案: ",input_variables=["input"]
)formatted_few_shot = few_shot_prompt.format(input="深度學習和機器學習有什么區別？"
)
print(formatted_few_shot)# 4. 帶有示例選擇器的FewShotPromptTemplate
print("\n=== 4. 帶有示例選擇器的FewShotPromptTemplate ===")# 添加更多示例
more_examples = examples + [{"input": "什么是神經網絡？","output": "神經網絡是一種模擬人腦神經元結構的計算模型，由相互連接的節點（神經元）組成。"},{"input": "什么是自然語言處理？","output": "自然語言處理是人工智能的一個領域，專注于計算機與人類語言之間的交互，包括理解和生成文本。"}
]# 使用LengthBasedExampleSelector根據輸入長度選擇示例
example_selector = LengthBasedExampleSelector(examples=more_examples,example_prompt=example_prompt,max_length=50  # 根據輸入長度限制示例數量
)few_shot_prompt_with_selector = FewShotPromptTemplate(example_selector=example_selector,example_prompt=example_prompt,suffix="問題: {input}\n答案: ",input_variables=["input"]
)formatted_selector_prompt = few_shot_prompt_with_selector.format(input="請簡要解釋Transformer模型在NLP中的作用"
)
print(formatted_selector_prompt)

2.4 示例選擇器

作用：在少樣本學習模板（FewShotPromptTemplate）中智能篩選示例，解決兩大關鍵問題：

上下文窗口限制：避免示例過多導致 token 超限

相關性優化：選擇與當前查詢最相關的示例

以下列舉常用的三個示例選擇器，以及demo：

max_length 參數限制的是 最終生成提示詞（prompt）的總長度

包含所有元素的完整提示長度：

用戶當前輸入文本（input）
所有被選中的示例（examples）
提示前綴（prefix，如系統指令）
提示后綴（suffix，如回答格式要求）
計算方式
總長度 = len(prefix) + len(所有示例文本) + len(input) + len(suffix)

import os
from langchain.prompts import PromptTemplate, FewShotPromptTemplate
from langchain.prompts.example_selector import (LengthBasedExampleSelector,SemanticSimilarityExampleSelector,MaxMarginalRelevanceExampleSelector
)
from langchain.vectorstores import FAISS
from langchain_community.embeddings import DashScopeEmbeddings# 設置API密鑰
api_key = os.getenv("DASHSCOPE_API_KEY")# 定義示例數據
examples = [{"question": "什么是人工智能？","answer": "人工智能是計算機科學的一個分支，旨在創建能夠執行通常需要人類智能的任務的機器。"},{"question": "機器學習是什么？","answer": "機器學習是人工智能的一個子集，它使計算機能夠從數據中學習并做出決策或預測，而無需明確編程。"},{"question": "什么是深度學習？","answer": "深度學習是機器學習的一個子集，使用多層神經網絡來模擬人腦處理信息的方式。"},{"question": "什么是神經網絡？","answer": "神經網絡是一種模擬人腦神經元結構的計算模型，由相互連接的節點（神經元）組成。"},{"question": "什么是自然語言處理？","answer": "自然語言處理是人工智能的一個領域，專注于計算機與人類語言之間的交互，包括理解和生成文本。"}
]# 創建基礎模板
example_prompt = PromptTemplate.from_template("問題: {question}\n答案: {answer}"
)print("=== 1. LengthBasedExampleSelector - 基于長度的示例選擇器 ===")
# LengthBasedExampleSelector根據輸入長度選擇示例數量
length_selector = LengthBasedExampleSelector(examples=examples,example_prompt=example_prompt,max_length=10  # 根據輸入長度限制示例數量
)few_shot_prompt_length = FewShotPromptTemplate(example_selector=length_selector,example_prompt=example_prompt,suffix="問題: {input}\n答案: ",input_variables=["input"]
)# 短輸入 - 會選擇更多示例
short_input = "AI"
print(f"輸入: {short_input}")
print(f"選擇的示例:\n{few_shot_prompt_length.format(input=short_input)}")# 長輸入 - 會選擇較少示例
long_input = "請詳細解釋人工智能、機器學習和深度學習之間的關系和區別"
print(f"\n輸入: {long_input}")
print(f"選擇的示例:\n{few_shot_prompt_length.format(input=long_input)}")print("\n=== 2. SemanticSimilarityExampleSelector - 基于語義相似度的示例選擇器 ===")
# SemanticSimilarityExampleSelector基于語義相似度選擇示例
# 注意：這需要API密鑰來創建嵌入模型
try:embeddings = DashScopeEmbeddings(model="text-embedding-v1",dashscope_api_key=api_key)similarity_selector = SemanticSimilarityExampleSelector.from_examples(examples,embeddings,FAISS,k=2  # 選擇2個最相似的示例)few_shot_prompt_similarity = FewShotPromptTemplate(example_selector=similarity_selector,example_prompt=example_prompt,suffix="問題: {input}\n答案: ",input_variables=["input"])# 輸入與示例相似的問題similar_input = "什么是機器學習算法？"print(f"輸入: {similar_input}")print(f"選擇的示例:\n{few_shot_prompt_similarity.format(input=similar_input)}")except Exception as e:print(f"注意：SemanticSimilarityExampleSelector需要有效的API密鑰。錯誤信息: {e}")print("\n=== 3. MaxMarginalRelevanceExampleSelector - 最大邊緣相關性示例選擇器 ===")
# MaxMarginalRelevanceExampleSelector選擇既相似又多樣化的示例
try:mmr_selector = MaxMarginalRelevanceExampleSelector.from_examples(examples,embeddings,FAISS,k=3,  # 選擇3個示例fetch_k=5  # 從5個候選示例中選擇3個)few_shot_prompt_mmr = FewShotPromptTemplate(example_selector=mmr_selector,example_prompt=example_prompt,suffix="問題: {input}\n答案: ",input_variables=["input"])# 輸入一個綜合性問題mmr_input = "請解釋AI技術在現代科技中的應用"print(f"輸入: {mmr_input}")print(f"選擇的示例:\n{few_shot_prompt_mmr.format(input=mmr_input)}")except Exception as e:print(f"注意：MaxMarginalRelevanceExampleSelector需要有效的API密鑰。錯誤信息: {e}")#print("\n=== 4. 三種選擇器的對比總結 ===")
comparison = """
1. LengthBasedExampleSelector:- 根據輸入長度選擇示例數量- 輸入越短，選擇的示例越多- 輸入越長，選擇的示例越少- 不需要API密鑰或嵌入模型- 適用于需要根據上下文長度調整示例數量的場景2. SemanticSimilarityExampleSelector:- 基于語義相似度選擇最相關的示例- 需要嵌入模型和API密鑰- 選擇與輸入最相似的示例- 適用于需要相關示例來指導輸出的場景3. MaxMarginalRelevanceExampleSelector:- 選擇既相關又多樣化的示例- 需要嵌入模型和API密鑰- 首先選擇最相似的示例，然后增加多樣性- 適用于需要平衡相關性和多樣性的場景
"""
#print(comparison)

2.5 partial的使用

????????partial 主要用于 提前綁定提示模板變量，實現模板的預配置和復用，是構建高效鏈（Chain）的關鍵技術。

????????解決三大問題：
1、變量預綁定：將部分模板變量提前固定，簡化運行時輸入
2、模板復用：創建可配置的模板實例，避免重復定義
3、動態適配：結合函數實現運行時動態變量生成

以下列舉幾個使用場景：

????????在使用上能感覺出partial和format有一些相似，他們有什么區別呢？

他們的返回值不同

partial的入參可以添加函數

差異總結表如下：

3、輸出解析器

3.1 輸出解析器的功能和使用

????????輸出解析器具有兩大功能:添加 提示詞模板的輸出指令 和 解析輸出格式。看到這里你也許會感到很奇怪,解析輸出格式很好理解,但是輸出解析器跟提示詞模板有什么關系呢?
確實, 從名字上看, 輸出解析器 (OutputParser) 似乎與提示詞模板沒有關系, 因為它聽起來更像用于處理和解析輸出的工具。然而實際上,輸出解析器是通過改變提示詞模板,即增加輸出指令,來指導模型按照特定格式輸出內容的。換句話說,原本的提示詞模板中不包含輸出指令,如果你想得到某種特定格式的輸出結果,就得使用輸出解析器。這樣做的目的是分離提示詞模板的輸入和輸出,輸出解析器會把增加"輸出指令"這件事做好。如果不要求模型按照特定的格式輸出結果,則保持原提示詞模板即可。

? ? ? ? ?輸出解析器的便利性體現在, 你想要某種輸出格式時不需要手動寫入輸出指令,而是導入預設的輸出解析器即可。除了預設大量的輸出指令, 輸出解析器的 parse 方法還支持將模型的輸出解析為對應的數據格式。總的來說,輸出解析器已經寫好了輸出指令(注入提示詞模板的字符串),也寫好了輸出數據的格式處理函數,開發者不需要"重復造輪子"。

? ? ? ? langchain提供了一些預設的輸出解析器，如下圖：

下面使用CommaSeparatedListOutputParser舉個例子，CommaSeparatedListOutputParser是一個定義的類用于解析以逗號分隔的列表類型的輸出。

from langchain.output_parsers import CommaSeparatedListOutputParser
from langchain.prompts import PromptTemplate# 創建CommaSeparatedListOutputParser實例
output_parser = CommaSeparatedListOutputParser()# 查看格式化指令
format_instructions = output_parser.get_format_instructions()
print("格式化指令：")
print(format_instructions)
print()# 創建提示模板
prompt_template = PromptTemplate(template="列出5個{topic}。{format_instructions}",input_variables=["topic"],partial_variables={"format_instructions": format_instructions}
)# 生成提示
prompt = prompt_template.format(topic="編程語言")
print("生成的提示：")
print(prompt)
print()# 模擬LLM的輸出（實際使用時這里會是真實的LLM調用結果）
llm_output = "Python, Java, JavaScript, C++, Go"# 使用CommaSeparatedListOutputParser解析輸出
parsed_output = output_parser.parse(llm_output)
print("解析后的結果：")
print(type(parsed_output))
print(parsed_output)
print()# 遍歷解析后的列表
print("逐項輸出：")
for i, item in enumerate(parsed_output, 1):print(f"{i}. {item.strip()}")print()
print("="*50)# 另一個示例：解析水果列表
prompt_template2 = PromptTemplate(template="列舉一些{category}。{format_instructions}",input_variables=["category"],partial_variables={"format_instructions": format_instructions}
)prompt2 = prompt_template2.format(category="熱帶水果")
print("第二個提示：")
print(prompt2)
print()# 模擬LLM輸出
llm_output2 = "芒果, 菠蘿, 香蕉, 椰子, 火龍果, 山竹, 榴蓮"# 解析輸出
parsed_output2 = output_parser.parse(llm_output2)
print("解析后的熱帶水果列表：")
print(parsed_output2)
print()print("熱帶水果：")
for i, fruit in enumerate(parsed_output2, 1):print(f"{i}. {fruit.strip()}")print()
print("="*50)# 展示錯誤處理
print("錯誤處理示例：")
try:# 嘗試解析無效格式invalid_output = "這是一個無效的列表格式沒有逗號分隔:Your response"parsed_invalid = output_parser.parse(invalid_output)print("解析結果：", parsed_invalid)
except Exception as e:print(f"解析錯誤: {e}")# 正確處理無逗號的情況
print()
print("處理單個項目：")
single_item_output = "Python"
single_parsed = output_parser.parse(single_item_output)
print("單個項目解析結果：", single_parsed)

3.2 Pydantic JSON輸出解析器

? ? ? ?pydantic是連接 LLM 非結構化輸出與結構化數據的核心組件，在真實項目中應用率高達 85%（LangChain 官方調研數據）。

????????什么是 Pydantic JSON 輸出解析器？ 本質：將 LLM 原始文本輸出自動轉換為 類型安全的 Python 對象 核心組件：

????????Pydantic：數據驗證庫（定義數據結構）

????????JSON：結構化數據格式

????????OutputParser：LangChain 解析接口

import os
from typing import List, Optional
from langchain_community.llms import Tongyi
from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import PromptTemplate
# 更新Pydantic導入方式
from pydantic import BaseModel, Field# 定義一個Pydantic模型來表示我們期望的輸出結構
class PersonInfo(BaseModel):name: str = Field(description="人的姓名")age: int = Field(description="人的年齡")occupation: str = Field(description="人的職業")hobbies: List[str] = Field(description="人的愛好列表")def age_must_be_positive(cls, v):if v <= 0:raise ValueError('年齡必須是正數')return v# 定義另一個Pydantic模型表示更復雜的結構
class PersonDetail(BaseModel):person: PersonInfo = Field(description="個人信息")summary: str = Field(description="對這個人的簡要總結")def main():# 修復API密鑰變量名llm = Tongyi(dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"),model_name="qwen-turbo-latest")# 創建Pydantic輸出解析器parser = PydanticOutputParser(pydantic_object=PersonDetail)# 創建提示模板prompt_template = PromptTemplate(template="請提供以下人物的詳細信息:\n人物: {person_name}\n{format_instructions}\n",input_variables=["person_name"],partial_variables={"format_instructions": parser.get_format_instructions()})# 示例查詢person_name = "愛因斯坦"# 格式化提示詞prompt = prompt_template.format(person_name=person_name)print("提示詞:")print(prompt)print("-" * 50)# 調用大模型response = llm.invoke(prompt)print("大模型原始輸出:")print(response)print("-" * 50)# 使用Pydantic解析器解析輸出try:parsed_output = parser.parse(response)print("解析后的結構化數據:")print(f"姓名: {parsed_output.person.name}")print(f"年齡: {parsed_output.person.age}")print(f"職業: {parsed_output.person.occupation}")print(f"愛好: {', '.join(parsed_output.person.hobbies)}")print(f"總結: {parsed_output.summary}")except Exception as e:print(f"解析失敗: {e}")if __name__ == "__main__":main()

3.3?StructuredOutputParser 結構化輸出解析器

????????解釋 StructuredOutputParser 和 ResponseSchema 的含義和使用方法。這兩個組件是 LangChain 中用于結構化輸出解析的核心工具，使語言模型 (LLM) 的輸出能夠被解析為預定義的、類型安全的 Python 對象。

????????（1）ResponseSchema（響應模式）
含義：定義你期望從語言模型 (LLM) 輸出中提取的結構化字段。每個 ResponseSchema 描述一個字段的：
名稱 (name)：字段的鍵名（如 "name", "age"）
描述 (description)：提示 LLM 應在此字段中返回什么內容
類型 (type)：字段的數據類型（如 string, integer, list）
作用：相當于告訴 LLM：“你的輸出需要包含以下字段，并按照這些要求填充數據”。

（2）StructuredOutputParser（結構化輸出解析器）
含義：將 LLM 的自由文本輸出根據 ResponseSchema 定義的規則自動解析為結構化數據（如字典、Pydantic 模型）。
核心能力：
生成給 LLM 的格式化指令（如 JSON 格式要求）
將 LLM 的文本輸出解析為 Python 對象
自動處理類型轉換和驗證

import os
from typing import List, Optional
from langchain_community.llms import Tongyi
from langchain.output_parsers import StructuredOutputParser, ResponseSchema
from langchain.prompts import PromptTemplate, ChatPromptTemplate
from langchain_core.messages import HumanMessagedef main():# 初始化通義千問大模型llm = Tongyi(dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"),model_name="qwen-turbo-latest")# 定義響應結構response_schemas = [ResponseSchema(name="name", description="人物的姓名，只有名字使用英文輸出，其他部分使用中文輸出"),ResponseSchema(name="age", description="人物的年齡，不是出生死亡的年月日，是一個數字"),ResponseSchema(name="occupation", description="人物的職業"),ResponseSchema(name="hobbies", description="人物的愛好列表，以逗號分隔"),ResponseSchema(name="summary", description="對這個人的簡要總結")]# 創建結構化輸出解析器output_parser = StructuredOutputParser.from_response_schemas(response_schemas)# 獲取格式化指令format_instructions = output_parser.get_format_instructions()# 創建提示模板prompt_template = """請提供以下人物的詳細信息:人物: {person_name}{format_instructions}"""# 創建ChatPromptTemplatechat_prompt = ChatPromptTemplate.from_messages([("system", "你是一個 helpful AI 助手"),("user", prompt_template)])# 示例查詢person_name = "愛因斯坦"# 格式化提示詞prompt = chat_prompt.format_messages(person_name=person_name,format_instructions=format_instructions)print("提示詞:")print(prompt[1].content)print("-" * 50)# 調用大模型response = llm.invoke(prompt)print("大模型原始輸出:")print(response)print("-" * 50)# 使用StructuredOutput解析器解析輸出try:parsed_output = output_parser.parse(response)print("解析后的結構化數據:")print(f"姓名: {parsed_output['name']}")print(f"年齡: {parsed_output['age']}")print(f"職業: {parsed_output['occupation']}")print(f"愛好: {parsed_output['hobbies']}")print(f"總結: {parsed_output['summary']}")except Exception as e:print(f"解析失敗: {e}")if __name__ == "__main__":main()

4、模型包裝器

????????LangChain 的模型包裝器組件是基于各個模型平臺的 API 協議進行開發的, 主要提供了兩種類型的包裝器。一種是通用的 LLM模型包裝器, 另一種是專門針對 Chat 類型 API 的 Chat Model (聊天模型包裝器)。

4.1 模型包裝器的區別

在 LangChain 的官網文檔中，凡是涉及模型輸入、輸出的鏈（Chain ）和代理（Agent）的示例代碼，都會提供兩份。一份是使用LLM模型包裝器的，一份是使用聊天模型包裝器的，這是因為兩者之間存在著細微但是很重要的區別。

（1）輸入的區別

????????對于 LLM 模型包裝器, 其輸入通常是單一的字符串提示詞 (prompt) 。例如,你可以輸入"Translate the following English text to French: '{text}", 然后模型會生成對應的法文翻譯。另外,LLM模型包裝器主要用于文本任務,例如給定一個提示"今天的天氣如何?"模型會生成一個相應的答案"今天的天氣很好。"

????????聊天模型包裝器,其輸入則是一系列的聊天消息。通常這些消息都帶有發言人的標簽 (比如系統、 AI 和人類)。每條消息都有一個 role (角色) 和 content (內容) 。例如, 你可以輸入[{"role": "user", "content": 'Translate the following English text toFrench: "{text}"}], 模型會返回對應的法文翻譯, 但是返回內容包含在 AIMessage(...)內。

（2）輸出的區別

????????對于LLM模型包裝器，其輸出是一個字符串，這個字符串是模型對提示詞的補全。而聊天模型包裝器的輸出是一則聊天消息，是模型對輸入消息的響應。

????????雖然LLM模型包裝器和聊天模型包裝器在處理輸入和輸出的方式上有所不同，但是為了使它們可以混合使用，它們都實現了基礎模型接口。這個接口公開了兩個常見的方法：predict（接收一個字符串并返回一個字符串）和predict messages（接收一則消息并返回一則消息）。這樣，無論你是使用特定的模型，還是創建一個應該匹配其他類型模型的應用，都可以通過這個共享接口來進行操作。

4.2 模型包裝器的案例解釋

以下給出LLM模型包裝器和Chat模型包裝器的示例：

LLM模型包裝器：

import os
from langchain_community.llms import Tongyi# 初始化通義千問大模型
llm = Tongyi(dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"),model_name="qwen-turbo"
)# 簡單調用
response = llm.invoke("你好，介紹一下人工智能")
print("大模型回答:")
print(response)

Chat模型包裝器：

import os
from langchain_community.chat_models import ChatTongyi
#from langchain import LLMChain
from langchain.chains import LLMChain
from langchain.prompts.chat import (ChatPromptTemplate,HumanMessagePromptTemplate,SystemMessagePromptTemplate,
)
from langchain_core.output_parsers import StrOutputParser# 從環境變量獲取 DASHSCOPE_API_KEY
api_key = os.getenv('DASHSCOPE_API_KEY')# 檢查是否獲取到 API Key
if not api_key:raise ValueError("請設置 DASHSCOPE_API_KEY 環境變量")# 使用通義千問模型
llm = ChatTongyi(temperature=1,dashscope_api_key=api_key,model_name="qwen-plus")template = ("以下是一段人類與人工智能之間的友好對話。""該人工智能健談，并從其上下文中提供大量具體細節。如果人工智能不知道某個問題的答案，它會如實說明自己不知道。"
)system_message_prompt = SystemMessagePromptTemplate.from_template(template)human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])chain = LLMChain(llm=llm, prompt=chat_prompt)
ret = chain.run(text="你叫張三")
print(ret)