上节我们基本了解了如何通过LangChain来加载大语言模型并调用，接下来我们接着介绍更多的应用，从而使我们的AI Agent更加完善和健壮。

LangChain 提示词模板

       LangChain的提示词模板引擎（Prompt Template Engine）是其核心组件之一，主要用于构建和管理与大语言模型交互的提示词；它的作用是是一套将"写死的 Prompt"变成可复用、可组合的结构化指令系统，从而提升模型输出的准确性和一致性；

      例如：我们需要大模型为我们提供旅游建议，为了能够详细表达用户的需求，大概需要对这些方面进行描述：

      目的地：{destination} - 出行日期：{travel_date} - 出行天数：{days} - 预算范围（每人）：{budget} - 出行人数：{travelers} - 同行人构成：{companions}（如：情侣/亲子/朋友/独行） - 旅行风格偏好：{style}（如：休闲度假/深度文化/户外探险/美食打卡/拍照出片） - 特殊需求：{special_needs}（如：无障碍/素食/带宠物/避开人群）；

      可以看到，如果每次询问都需要用户输入这么多信息，不仅麻烦，还容易遗漏，这个时候，我们就可以用到提示词模板了，比如以下拉对话框选择的形式，将目的地、 出行天数、旅行风格偏好等，让用户选择好，然后由系统生成最终的会话；这样就方便多了。

编写示例

      新建一个“LangChain应用.ipynb”文件，添加一段代码：

key = '你自己的api key'
from langchain_community.chat_models import ChatZhipuAI
import os

os.environ["ZHIPUAI_API_KEY"] = key
chat = ChatZhipuAI(
    model="glm-4",
    temperature=0.5, #模型温度（0-1之间，值越小，随机性越低，随机性即模型的发散思维）
)

我们使用智谱的模型；点击运行；

注意：这个是单独的代码段，后续代码都是用的这个加载器，如果运行后续代码有出现：NameError: name 'chat' is not defined，那么说明chat没有在内存中，我们需要单独再重新运行一下这段代码；

还有一个问题是：这里将key直接写在了代码里面，这是不对的，这里只是为了方便测试；真实环境需要使用环境变量或配置文件来安全地管理自己的key。

方法1：使用langchain.prompts 的 PromptTemplate

from langchain.prompts import PromptTemplate

# 定义模板
template = '你是一个{role},请用{style}风格回答问题:请给一个详细的旅游建议：冬天，一个人要去{city}旅游，旅游天数:{day}天，大概预算费用：{money}元人民币'

#创建模板对象
prompt_template = PromptTemplate.from_template(template)

#变量填充
#filled_prompt = prompt_template.format(role = '导游助手',style = '中文',city = '中国北京', day='7',money = '5000')
#第二种写法
filled_prompt = prompt_template.invoke({'role':'导游助手', 'style':'中文','city':'中国北京','day':'7','money':'5000'})

#响应
ai_msg = chat.invoke(filled_prompt)
print(ai_msg.content)

     点击运行，等待一会儿，模型将输出回答；

方法2：langchain_core.prompts 的 ChatPromptTemplate

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
sys_template = "你是一个{role},请用{style}风格回答问题,请给一个详细的旅游建议"
user_template = "冬天，一个人要去{city}旅游，旅游天数:{day}天，大概预算费用：{money}元人民币"

#创建对话模板
prompt_template = ChatPromptTemplate.from_messages([
    ('system',sys_template),
    ('human',user_template)
])
#填充变量
prompt = prompt_template.format_messages(role = '导游助手',style = '中文',city = '中国北京', day='7',money = '5000')
#响应
ai_msg = chat.invoke(prompt)
print(ai_msg.content)

同样可以正常输出。

LangChain 输出格式化

      前面的例子我们看到，AI的输出是以文本字符串输出的，很多情况下，我们需要将AI的输出解析为结构化的数据，如：JSON、字典或者自定义的对象，这就要使用LangChain的输出格式化功能。

编写示例

格式化输出Json

from langchain.output_parsers import StructuredOutputParser,ResponseSchema
from langchain.prompts import PromptTemplate

# 定义输出结构

response_schemas = [
    ResponseSchema(name="name", description="人的姓名",type='string'),
    ResponseSchema(name="age", description="人的年龄",type='integer'),
    ResponseSchema(name="city", description="人的城市",type='string')
]
#创建输出解析器
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
#创建提示词模板
template = "请根据以下内容，输出一个json格式的结果：\n{content}\n\n输出格式要求：{format_instructions}"



prompt = PromptTemplate(
    template=template,
    partial_variables={"format_instructions": output_parser.get_format_instructions()}
)

#输入
input_content = "一个人，姓名：张三，年龄：30岁，城市：中国北京"
filled_prompt = prompt.format(content=input_content)

#响应
rsp = chat.invoke(filled_prompt)
output = output_parser.parse(rsp.content)
print(output)

点击运行，即可看到输出的Json字符串{'name': '张三', 'age': 30, 'city': '中国北京'}。

格式化输出对象

from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field

# 定义输出结构
class Person(BaseModel):
    name: str = Field(description="人的姓名")
    age: int = Field(description="人的年龄")
    city: str = Field(description="人的城市")

# 创建输出解析器
output_parser = PydanticOutputParser(pydantic_object=Person)

#创建提示词模板
template = "请根据以下内容，输出一个json格式的结果：\n{content}\n\n输出格式要求：{format_instructions}"



prompt = PromptTemplate(
    template=template,
    partial_variables={"format_instructions": output_parser.get_format_instructions()}
)

#输入
input_content = "一个人，姓名：张三，年龄：30岁，城市：中国北京"
filled_prompt = prompt.format(content=input_content)

#响应
rsp = chat.invoke(filled_prompt)
output = output_parser.parse(rsp.content)
print(output)

点击运行，输出：name='张三' age=30 city='中国北京'。

LangChain 链式调用

       在LangChain中，LLMChain是一个核心对象，用于实现基于大语言模型(LLM)的链式调用。它将提示词模板(Prompt Template)、语言模型(LLM)以及可选的输出解析器(Output Parser)组合在一起，形成一个可重复执行的流程，简化了与LLM的交互。

编写示例

#链式调用

from langchain.output_parsers import StructuredOutputParser,ResponseSchema
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
#定义输出结构
response_schemas =[
    ResponseSchema(name="answer",description="问题的答案",type="string"),
    ResponseSchema(name="confidence", description="答案的置信度",type="float")
]

output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
#定义提示模板
template = """你是一名数学老师，请用{style}风格回答以下问题，并以 JSON 格式返回答案和置信度:
问题:{question}
{format_instructions}"""

prompt = PromptTemplate(
    template=template,
    input_variables=["style", "question"],
    partial_variables={"format_instructions": output_parser.get_format_instructions()}
)

#创建chain
#llmChain = LLMChain(llm = chat, prompt=prompt, output_parser=output_parser) 方法已过时
llmChain = prompt | chat | output_parser  #推荐写法

#运行链
# rsp = llmChain.run({"style":"中文,通俗易懂","question":"请问如何求椭圆的面积？"}) 方法已过时
rsp = llmChain.invoke({"style":"中文,通俗易懂","question":"请问如何求椭圆的面积？"}) #推荐写法
print(rsp)

点击运行即可看到输出结果。

LangChain 响应-流式输出

      上面的例子我们看到，程序运行后，一般要等待几秒到几十秒的时间，控制台才会输出大模型的响应结果，但我们在使用豆包、千问的时候看到，系统并不是一次性的输出所有内容，而是不断的向界面输出内容，直到所有响应完成，这个功能就叫做流式输出；

       流式输出是指在用户输入问题后，AI模型边生成边显示响应内容，逐步展示AI的"思考"过程，而不是等待所有内容生成完毕后再一次性返回完整答案；与传统非流式输出相比，流式输出的差异如下所示：
普通输出(非流式)：用户提交问题等待几秒一次性返回完整答案；
流式输出：用户提交问题Al边生成边显示逐步输出答案；

编写示例

#流式输出
from langchain.output_parsers import StructuredOutputParser,ResponseSchema
from langchain.prompts import PromptTemplate

response_schemas =[
    ResponseSchema(name="answer",description="问题的答案",type="string"),
    ResponseSchema(name="confidence", description="答案的置信度",type="float")
]

output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
#定义提示模板
template = """你是一名数学老师，请用{style}风格回答以下问题，并以 JSON 格式返回答案和置信度:
问题:{question}
{format_instructions}"""

prompt = PromptTemplate(
    template=template,
    input_variables=["style", "question"],
    partial_variables={"format_instructions": output_parser.get_format_instructions()}
)

#创建chain
llmChain = prompt | chat 
chunks = [] #存储结果
for chunk in llmChain.stream({"style":"中文,通俗易懂","question":"请问如何求椭圆的面积？"}):
    print(chunk.content, end="", flush=True)
    chunks.append(chunk)

我们只是在链式调用的基础上做了修改，其中：

链式调用时这样写的：llmChain = prompt | chat | output_parser，流式输出我们去掉了output_parser，如果不去掉的化，用户看到的还是过了几秒才会一次性输出，这是因为，虽然现在已经是流式输出了，但是输出的结果被放到格式化器里去执行格式化了，所以，需要等到output_parser全部格式化好了之后，才会输出最终结果；

点击运行即可看到输出效果。

OK，先到这里，后续将会继续介绍Langchain的记忆系统......