1. LangChain模型调用全解析:从基础到实战
作为一名长期使用LangChain进行AI应用开发的工程师,我深刻理解模型调用在整个框架中的核心地位。今天,我将系统梳理LangChain中的模型调用机制,并分享一些实战中积累的关键经验。
LangChain的模型调用遵循"输入-处理-输出"的三段式流程,这与大语言模型的工作原理高度契合。理解这个流程是掌握LangChain模型调用的第一步。
1.1 核心流程拆解
1.1.1 Format阶段:输入格式化
在实际项目中,我们很少直接将原始文本扔给模型。Format阶段的核心任务是将各种形式的输入数据转化为模型可以处理的标准化格式。这通常通过Prompt Template实现:
python复制from langchain_core.prompts import ChatPromptTemplate
template = ChatPromptTemplate.from_messages([
("system", "你是一个专业的{role}"),
("human", "{input}")
])
formatted_prompt = template.format(role="医生", input="我头疼该怎么办?")
关键技巧:模板中的占位符命名要有明确语义,如{role}比{job}更能表达意图。我习惯在复杂模板中添加注释说明每个占位符的预期输入类型。
1.1.2 Predict阶段:模型预测
这是模型调用的核心环节。LangChain通过统一的接口封装了不同厂商的模型差异:
python复制from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-3.5-turbo")
response = model.invoke(formatted_prompt)
避坑指南:新版本LangChain中,建议使用
ChatOpenAI而非旧版的OpenAI类,前者默认使用更现代的聊天模型接口。
1.1.3 Parse阶段:输出解析
原始模型输出通常是文本字符串,我们需要将其转化为结构化数据:
python复制from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
parsed_output = parser.invoke(response)
对于需要结构化输出的场景,JsonOutputParser是更好的选择:
python复制from langchain_core.output_parsers import JsonOutputParser
parser = JsonOutputParser()
chain = template | model | parser
result = chain.invoke({"role": "医生", "input": "头痛建议"})
1.2 环境配置最佳实践
正确的环境配置是项目成功的基础。我推荐以下配置方式:
- 使用
.env文件管理敏感信息:
code复制OPENAI_API_KEY=sk-your-key-here
OPENAI_BASE_URL=https://api.your-proxy.com/v1
- 通过python-dotenv加载配置:
python复制from dotenv import load_dotenv
import os
load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
安全提示:永远不要将API密钥硬编码在代码中或提交到版本控制系统。我曾在项目中见过因此导致的数万元意外消费。
1.3 模型类型深度解析
1.3.1 非对话模型(LLMs)
适合简单的一次性文本生成任务
