LangChain核心组件——Model I/O

Where-2026-04-17 19:40

该文所有代码均来源于datawhale，文末有来源链接，其他部分均为个人的整理与理解。

在介绍LangChain核心组件之前，先来说明一点基础知识。

system、user、assistant是什么？

不论是在调用大模型API或者是做工作流编排时写大模型提示词，我们总会看到system、user、assistant这几部分，那他们的作用到底是什么？

system（系统角色）

用于设定模型的行为准则、身份、语气、输出格式或全局约束。它位于对话的最开始，优先级最高 。

例子： "你是一位专业翻译官，只输出翻译结果，不解释任何内容。"

user（用户角色）

代表真实用户输入的指令或问题。用户通过此角色向模型提出需求、提问或提供材料。

assistant（助手角色）

表示模型生成的回复内容，常用于多轮对话中，在对话历史中，将模型之前生成的结果作为assistant传回，以维持多轮对话的一致性 。

我们平时和deepseek、豆包等对话时会发现这些大模型好像记住了我们之前说的话，但实际上他们没有记忆功能，只会看上下文，同样是把历史对话信息全部拼接起来输入，将历史回答作为assistant继续传入大模型，让人看似是有记忆功能。

怎么用

以下代码仅作为示例说明system、user、assistant的作用

python 复制代码 
messages = [
    {"role": "system", "content": "你是热情的AI助手，回答用中文，结尾加一句鼓励的话。"},
    {"role": "user", "content": "我最近总失眠怎么办？"},
    {"role": "assistant", "content": "失眠很困扰... 试试睡前远离手机和咖啡因，并固定作息时间。加油，你能睡个好觉的！"},
    {"role": "user", "content": "还有更具体的方法吗？"}
]

注意点

  • 当然，我们需要注意的是，即使提示词中没有system规定的行为准则也可以，或者也可以将system部分规定的身份、行为准则信息等放在user中，可以自行对比下system信息独立和将这部分信息放在user中的区别。
  • 因此，system 不是必需的，但推荐使用以稳定模型行为。
  • 在多轮对话中，必须把历史 assistant 回复一并传入，否则模型会丢失记忆。

LangChain核心组件模块一：模型接口

LangChain提供两类模型接口，LLM和Chat Model，不论是哪类模型接口，LangChain 都对所有大模型做了统一封装，不用关心底层是 OpenAI、Anthropic、通义千问、文心一言还是本地 Llama，调用方式都是一样的，换模型时代码几乎不用改。

LLM（文本补全模型：一步式生成任务）

特点：这是LangChain框架中较早期的模型接口，输入输出都是纯文本，没有角色（system/user/assistant）的概念，根据字符串形式的提示词输入，给出输出，适合简单的一步式生成任务，不适合多轮问答。

ChatModel（聊天模型：多轮对话）

ChatModel是为多轮对话场景设计的，不接收纯文本，而是接收一个包含多轮对话的消息列表，每个消息都带有特定的角色（system/user/assistatnt），模型内部会将这些带有角色的消息列表处理为适合对话的格式，并输出新的消息作为回复。

多轮对话示例

python 复制代码 
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()

API_KEY = os.getenv("API_KEY")
BASE_URL = os.getenv("BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
print("API_KEY=",API_KEY,"\nBASE_URL=",BASE_URL,"\nMODEL_NAME=",MODEL_NAME)

if not API_KEY:
    raise ValueError("未检测到API_KEY,请检查.env文件是否配置正确或者获取是否正确")

chat_model = ChatOpenAI(api_key=API_KEY, base_url=BASE_URL, model_name=MODEL_NAME,temperature=0.3, max_tokens=200)

# 初始化对话历史
history = [{"role":"system", "content":"你是一个耐心的学习助手，回复简洁易懂，适合高校学生理解"}]
# 第一轮对话
history.append({"role":"user", "content":"请用3句话解释什么是LangChain"})

result = chat_model.invoke(history)
print("[第一轮回复]：", result.content)

# 将模型的回复添加到对话历史中
history.append({"role":"assistant", "content":result.content})

# 第二轮会话
# 追问，模型需要上下文才能理解它
history.append({"role":"user", "content":"它的核心组件有哪些？"})
print("第二轮会话输入 = ", history)
result = chat_model.invoke(history)
print("[第二轮回复]：", result.content)

# 继续将模型的回复添加到对话历史中
history.append({"role":"assistant", "content":result.content})
# 第三轮会话
history.append({"role":"user", "content":"给我一个简单的使用场景"})
print("第三轮会话输入 = ", history)

result = chat_model.invoke(history)
print("[第三轮回复]：", result.content)

LangChain核心组件模块二：Prompt Template（提示词模板）

提示词模板是一个将动态变量注入静态文本的结构化工具，旨在解决重复写相似提示词的问题，并确保输入格式的一致性与可维护性。

具体说明：将固定提示词写在模板中，模板中插入动态变量，可以通过修改动态变量实现提示词可复用、可维护。比如针对场景：给不同角色的人员生成某个技术的学习方案，如果没有提示词模板，我们每次都需要写很长一段，你是xxx，你的任务是xxx，输出应该是xxx以及其他的一些限制条件，但是有了提示词模板之后，针对该场景，实际上可以写一个通用的提示词模板，将不同角色人员以及技术类型等设置为动态变量，调用时只需要换动态变量即可，不需要每次都写大段的提示词。

LangChain中提示词模板分类

LangChain为不同场景提供了专用的提示词模板类型，通常分为两大类：一类用于文本补全模型（LLM），另一类用于聊天模型（Chat Model）。

LangChain中的模板类型有以下几种：PromptTemplate、ChatPromptTemplate、MessagesPlaceHolder、FewShotPromptTemplate、PipelinePromptTemplate、BasePromptTemplate。本文只介绍其中两种，用于简单文本补全模型的PromptTemplate和实现少样本学习的FewShotPromptTemplate。

PromptTemplate使用举例

PromptTemplate用于简单的文本补全模型（LLM），或生成单一字符串提示词

python 复制代码 
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()
API_KEY = os.getenv("API_KEY")
BASE_URL = os.getenv("BASE_URL")  # 从环境变量读取，未配置时默认为None（使用OpenAI官方地址）
MODEL_NAME = os.getenv("MODEL_NAME")
print("API_KEY=",API_KEY,'\nBASE_URL=',BASE_URL,'\nMODEL_NAME=',MODEL_NAME)
if not API_KEY:
    raise ValueError("未检测到 API_KEY，请检查 .env 文件是否配置正确")

chat_model = ChatOpenAI(api_key=API_KEY, base_url=BASE_URL, model=MODEL_NAME, temperature=0.3, max_tokens=200)
# 1. 定义提示词模板
# 方法1
prompt_template = PromptTemplate.from_template("请给{user_role}写一段50字左右的{subject}学习建议，预言简洁实用，分2个小要点")
# 方法2
# input_variables：动态参数列表（这里是user_role和subject）
# template：提示词模板字符串，用{参数名}表示动态参数
# prompt_template = PromptTemplate(
#     input_variables = ["user_role", "subject"],
#     template = "请给{user_role}写一段50字左右的{subject}学习建议，预言简洁实用，分2个小要点"
# )

# 2. 格式化模板（传入具体参数，生成完整提示词）
# 给"高校学生"生成"LangChain"学习建议
formatted_prompt = prompt_template.format(user_role = "程序员",subject = "LangChain")
print("格式化后的提示词：", formatted_prompt)

# 3. 调用模型生成结果
result = chat_model.invoke([{"role":"user", "content":formatted_prompt}])

print("\n生成的学习建议：", result.content)

代码中核心概念讲解

一个提示词模板主要包含三个部分：

模板字符串（template）：包含用 {变量名} 标记占位符的文本。

输入变量（Input Variables）：列出模板中所有需要动态填充的变量名。

格式化（Format）：调用 .format() 方法传入具体值，生成最终提示词。

FewShotPromptTemplate使用举例

实现少样本学习，通过在提示词中动态注入少量输入-输出示例来引导模型按照期望的格式、风格生成回答。

下面代码是生成"某学科学习方法的"案例，要求最给出的学习方法格式为"核心目标：xxx；学习步骤：1.xxx 2.xxx；注意事项：xxx"。该代码中给了模型2个示例，让模型根据示例给出新学科的学习方法：

python 复制代码 
from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()
API_KEY = os.getenv("API_KEY")
BASE_URL = os.getenv("BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")

if not API_KEY:
    raise ValueError("未检测到 API_KEY，请检查 .env 文件是否配置正确")

chat_model = ChatOpenAI(api_key=API_KEY,base_url=BASE_URL,model=MODEL_NAME,temperature=0.3,max_tokens=200)

# 1. 定义示例（少样本的核心：给模型看的参考案例）
examples = [
    {
        "subject": "Python编程",
        "method": "核心目标：掌握基础语法和常用库；学习步骤：1. 学习变量、函数等基础语法 2. 实操小项目（如计算器） 3. 学习Pandas、Matplotlib库；注意事项：多动手实操，遇到错误及时调试。"
    },
    {
        "subject": "机器学习",
        "method": "核心目标：理解基础算法原理和应用场景；学习步骤：1. 复习数学基础（线性代数、概率） 2. 学习经典算法（线性回归、决策树） 3. 用Scikit-learn实操；注意事项：先理解原理，再动手实现，避免死记硬背。"
    }
]

# 2. 定义示例模板（告诉模型如何解析示例）
example_template = """
学科：{subject}
学习方法：{method}
"""
example_prompt = PromptTemplate(
    input_variables=["subject", "method"],
    template=example_template
)

# 3. 定义最终的提示词模板（包含示例和用户需求）
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,                # 传入示例
    example_prompt=example_prompt,    # 示例模板
    prefix = "请给出以下学科的学习目标",
    input_variables=["new_subject"],  # 动态参数：用户要查询的新学科
    suffix="学科：{new_subject}\n学习方法："  # 最终给用户的提示（在示例之后）
)

# 4. 格式化模板（传入新学科：LangChain）
formatted_prompt = few_shot_prompt.format(new_subject="LangChain")
print("少样本提示词：", formatted_prompt)

# 5. 调用模型生成结果
result = chat_model.invoke([{"role": "user", "content": formatted_prompt}])

print("\n生成的LangChain学习方法：")
print(result.content)

代码中核心概念讲解

组件 作用
examples 示例列表，每个示例是一个字典，键对应模板中的变量名，值是对应的内容
examples_prompt 用于格式化单个示例的 PromptTemplate 对象，定义每个示例的输出格式
prefix 前缀字符串，位于所有示例之前，通常用于说明任务目标
suffix 后缀字符串，位于所有示例之后，通常包含最终的输入变量占位符
input_variables 模板中需要动态填充的变量名列表，通常仅在 suffix 中使用
example_seperator 示例之间的分隔符，默认为换行符

ExampleSelector动态模板使用举例

ExampleSelector 是 LangChain 中用于从庞大的示例集中，动态找出最相关、最适合当前输入的小部分示例的工具。它的核心目的是在保证模型性能的同时，优化提示词的 Token 消耗和提高示例的针对性

LangChain 提供了几种内置的示例选择器：

  • LengthBasedExampleSelector (长度控制)：根据输入长度，动态调整提供的示例数量。当输入很长时，自动减少示例以防超出上下文窗口；输入短时，则提供更多示例。
  • SemanticSimilarityExampleSelector (语义相似)：通过计算输入与示例的向量相似度，选择最相关的示例。
  • MaxMarginalRelevanceExampleSelector：在保证语义相关的基础上，也考虑示例之间的多样性，避免选出内容高度重复的示例。
  • NGramOverlapExampleSelector (词级重叠)：基于输入和示例之间 N-Gram（连续 N 个词）的重叠度来选择，适用于对特定关键词或短语敏感的任务。
  • 自定义选择器：当内置选择器无法满足特殊逻辑时，可以继承 BaseExampleSelector 并实现 select_examples 和 add_example 方法，创建完全自定义的筛选逻辑。
python 复制代码 
from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_core.example_selectors import BaseExampleSelector, LengthBasedExampleSelector
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os
import json
from typing import Dict, List

# 1. 环境初始化（工程化标准操作：环境变量管理密钥）
load_dotenv()
API_KEY = os.getenv("API_KEY")
BASE_URL = os.getenv("BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")

if not API_KEY:
    raise ValueError("未检测到 API_KEY，请检查 .env 文件是否配置正确")

chat_model = ChatOpenAI(api_key=API_KEY, base_url=BASE_URL, model=MODEL_NAME, temperature=0.3, max_tokens=300)

# 2. 工程化示例管理：从JSON文件加载示例（避免硬编码，便于维护）
with open("learning_method_examples.json", "r", encoding="utf-8") as f:
    examples = json.load(f)  # 从JSON中直接提取示例数据列表

# 3. 方案A：ExampleSelector按长度筛选示例（控制提示词总长度）
# example_selector = LengthBasedExampleSelector(
#     examples=examples,
#     example_prompt=PromptTemplate(
#         input_variables=["subject", "difficulty", "method"],
#         template="学科：{subject}\n难度：{difficulty}\n学习方法：{method}\n"
#     ),
#     max_length=150,  # 控制示例总长度，避免提示词过长
#     get_text_length=lambda x: len(x)  # 长度计算函数
# )

# 4. 方案B（推荐）：自定义ExampleSelector按难度筛选示例
# 当需要根据用户输入的特征（如难度）精准匹配示例时，可自定义ExampleSelector
class DifficultyExampleSelector(BaseExampleSelector):
    """根据用户输入的 difficulty 字段筛选样本"""
    def __init__(self, examples: List[Dict[str, str]]):
        self.examples = examples

    def add_example(self, example: Dict[str, str]) -> None:
        self.examples.append(example)

    def select_examples(self, input_variables: Dict[str, str]) -> List[Dict]:
        # 获取用户输入的难度等级，如果没有提供则默认为 'easy'
        target_difficulty = input_variables.get("difficulty", "easy")
        # 过滤出匹配难度的所有示例
        return [ex for ex in self.examples if ex.get("difficulty") == target_difficulty]

# 本案例使用方案B（按难度筛选），如需使用方案A（按长度筛选），取消方案A的注释并注释掉方案B即可
example_selector = DifficultyExampleSelector(examples=examples)

# 5. 构建工程化少样本模板
few_shot_prompt = FewShotPromptTemplate(
    example_selector=example_selector,  # 替换固定examples为动态选择器
    example_prompt=PromptTemplate(
        input_variables=["subject", "difficulty", "method"],
        template="学科：{subject}\n难度：{difficulty}\n学习方法：{method}\n"
    ),
    example_separator="\n", # 控制examples示例之间的分隔方式
    prefix="少样本提示：",
    input_variables=["new_subject", "difficulty"],  # 新增难度参数
    suffix="参考以上示例，回答：\n学科：{new_subject}\n难度：{difficulty}\n学习方法：",
)

# 6. 动态生成不同难度的提示词
# 场景1：生成入门级LangChain学习方法
formatted_prompt_easy = few_shot_prompt.format(new_subject="LangChain",difficulty="easy")
print("入门级少样本提示词：", formatted_prompt_easy)
result_easy = chat_model.invoke([{"role": "user", "content": formatted_prompt_easy}])
print("\n入门级学习方法：", result_easy.content)

# 场景2：生成进阶级LangChain学习方法
formatted_prompt_hard = few_shot_prompt.format(new_subject="LangChain",difficulty="hard")
print("\n进阶级少样本提示词：", formatted_prompt_hard)
result_hard = chat_model.invoke([{"role": "user", "content": formatted_prompt_hard}])
print("\n进阶级学习方法：", result_hard.content)

核心代码解释

自定义的选择器需要实现以下两个核心抽象方法：

add_example(self, example: Dict[str, str]) -> Any: 添加新示例到选择器的存储中。

select_examples(self, input_variables: Dict[str, str]) -> List[dict]: 根据输入变量 input_variables（来自用户的最新请求），从示例库中筛选并返回一个相关的示例列表。最终可以将任何自定义逻辑（比如关键词匹配、调用外部API、基于特定业务规则的打分等）集成到LangChain的 FewShotPromptTemplate 中，实现对提示词中示例的灵活管理

使用自定义选择器实现提示词模板的步骤

  1. 准备示例数据集
  2. 定义选择器类
  3. 初始化选择器
  4. 将选择器集成到 FewShotPromptTemplate

LangChain核心组件模块三：Output Parser（输出解析器）

输出解析器的作用：大模型默认返回纯文本，但程序一般需要结构化数据，输出解析器的作用就是将大模型返回的文本转换成我们需要的格式。

一个标准的输出解析器主要通过两个核心方法来工作：

get_format_instructions()：这个方法会返回一个字符串，其中包含了指导LLM应如何组织其输出的格式说明。需要将这个说明嵌入到发送给模型的提示词中。

parse()：这个方法接收LLM返回的原始字符串，按照预定义的规则将其解析成目标数据结构（如字典、列表、Pydantic对象等）。如果解析失败，通常会抛出异常。

解析器类型 功能描述
StrOutputParser 将LLM返回的AIMessage对象，统一转换为纯字符串
CommaSeparatedListOutputParser 将模型的输出解析为一个由逗号分隔的列表
DatetimeOutputParser 将LLM输出中的日期时间信息解析为标准的 datetime 对象
JsonOutputParser 指导LLM输出有效的JSON格式字符串，并将其解析为Python字典
PydanticOutputParser 较强大的解析器。允许使用Pydantic模型来定义复杂的数据结构，并自动进行类型验证
StructuredOutputParser 较老的解析器，用于解析简单的JSON-like结构，但功能相对有限，字段只能为字符串类型
OutputFixingParser "修复型"解析器。它包装另一个解析器，当后者解析失败时，它会调用LLM自身来修正错误的输出
EnumOutputParser 将LLM的输出解析为Python Enum 中的一个预定义值
PandasDataFrameOutputParser 专门用于指导LLM以操作pandas DataFrame的格式输出数据

StrOutputParser使用举例

python 复制代码 
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from dotenv import load_dotenv
import os

# 1. 环境初始化
load_dotenv()
API_KEY = os.getenv("API_KEY")
BASE_URL = os.getenv("BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")

# 2. 初始化模型（无需支持原生结构化输出）
llm = ChatOpenAI(api_key=API_KEY,base_url=BASE_URL,model=MODEL_NAME,temperature=0.3)
result_without_parser = llm.invoke("请简要介绍 LangChain 输出解析层的作用")
print("解析前:", result_without_parser.content)
print(type(result_without_parser))

# 3. 创建 StrOutputParser
# 核心作用：将 LLM 返回的 AIMessage 对象，统一转为纯字符串（str）
parser = StrOutputParser()

# 4. 链式调用：模型 → 字符串解析
chain = llm | parser   #管道符|是 LangChain 的链式语法,先让模型生成回答 → 再把回答传给解析器 → 输出最终字符串
result = chain.invoke("请简要介绍 LangChain 输出解析层的作用")

print("StrOutputParser 解析后的字符串：", result)
print("\n解析结果类型：", type(result))  # str

JsonOutputParser使用举例

JsonOutputParser的作用：（1）告诉大模型：必须输出标准 JSON 格式。（2）把大模型返回的字符串，自动转成 Python 字典

python 复制代码 
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

# 1. 环境与模型初始化（省略，同方案1）
load_dotenv()
API_KEY = os.getenv("API_KEY")
BASE_URL = os.getenv("BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
llm = ChatOpenAI(api_key=API_KEY,base_url=BASE_URL,model=MODEL_NAME,temperature=0.3)

# 2. 创建 JSON 解析器（无需额外配置，默认引导模型输出 JSON）
parser = JsonOutputParser()
print(parser.get_format_instructions())
# 3. 构建提示模板（无需手动嵌入格式指令，解析器自动关联）
prompt = PromptTemplate(
    template="请介绍1个LangChain的组件，输出组件名和核心功能。{format_instructions}",
    input_variables=[],
    partial_variables={"format_instructions": parser.get_format_instructions()}
)

# 4. 链式调用（LangChain ≥1.0.0 推荐方式，自动完成提示+调用+解析）
chain = prompt | llm | parser
result = chain.invoke({})  # 无输入参数，传入空字典

print("解析后的JSON（Python字典）：")
print(result)
#print("获取单个字段：", result.get('tool_name', None))  # 可直接用于业务逻辑

核心代码解释

  • 构建提示词模板部分出现了partial_variables ，该变量的作用是将已绑定的 format_instructions 值填入占位符。实际上是将变量值存储在了 PromptTemplate 对象的内部字典 中。真正的字符串替换发生在调用 invoke() 或 format() 方法时。
  • 问题：partial_variables和input_variables的区别是什么，为什么不直接将parser.get_format_instructions()写在template的占位符的地方？
    个人理解：
  • 1.input_variables是在调用的时候传入变量值，而partial_variables是模板构建的时候绑定变量，调用时无需再传入；input_variables更适合传入用户关心的业务数据，也就是由最终用户可以输入的信息，比如：要查询的城市、要翻译的句子，partial_variables更适合开发者预设的技术参数，比如输出格式、当前日期。
  • 方便更换不同的输出解析器，更换解析器时，不需要再修改提示词模板。
    partial_variables在这个例子中只是体现了一种更好的工程实践。它让代码意图更明确：template负责"说什么"（业务内容），partial_variables负责"怎么说"（输出格式）。

PydanticOutputParser使用举例

python 复制代码 
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field
from dotenv import load_dotenv
import os

# 1. 环境与模型初始化
load_dotenv()
API_KEY = os.getenv("API_KEY")
BASE_URL = os.getenv("BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
print("API_KEY=",API_KEY,'\nBASE_URL=',BASE_URL,'\nMODEL_NAME=',MODEL_NAME)

llm = ChatOpenAI(api_key=API_KEY,base_url=BASE_URL,model=MODEL_NAME,temperature=0.3)

# 2. 定义 Pydantic 数据模型
class ToolInfo(BaseModel):
    tool_name: str = Field(description="LangChain开发工具的名称，如 LangSmith")
    function: str = Field(description="工具的核心功能，30字以内")
    difficulty: str = Field(description="学习难度，仅可选：简单 / 中等 / 复杂")

# 3. 创建解析器
parser = PydanticOutputParser(pydantic_object=ToolInfo)
print("parser.format=", parser.get_format_instructions())
# 4. Prompt + Chain
prompt = PromptTemplate(
    template="{user_input}，严格按照要求输出。\n{format_instructions}",
    input_variables=["user_input"],
    partial_variables={
        "format_instructions": parser.get_format_instructions()
    }
)

chain = prompt | llm | parser
result = chain.invoke({"user_input": "请介绍1个 Python 开发工具"})

print("解析后的结构化数据（Pydantic 模型对象）：", result)
# print("字段校验 difficulty：", result.difficulty)
print("转化为字典：", result.model_dump())

核心代码解释

Pydantic 数据模型
Pydantic数据模型的作用
  1. 结构化 LLM（大模型）的输出（让 AI 返回固定格式的 JSON / 对象）
  2. 定义工具 / 函数调用的参数规范
  3. 数据校验和类型安全
  4. 配合 PydanticOutputParser 让 AI 返回固定格式结果
如何定义？
  1. 继承 BaseModel：所有模型必须从 pydantic.BaseModel 继承
  2. 变量类型要明确：str/int/float/bool/List等，比如上述代码中的变量都为str类型
  3. 必须写 Field (description)：LLM 靠描述理解字段含义，不写会导致输出错误
PydanticOutputParser在此处的作用

该示例代码中PydanticOutputParser负责生成格式说明，告诉 LLM 将返回的文本解析成 ToolInfo 实例。解析器会根据参数参数为 pydantic_object=ToolInfo，读取字段类型、描述和约束。

ChatModel：LangChain的对话模型

PromptTemplate：用户如何可以更方便的提问OutputParser：想要实现的是如何得到用户想要的输出。

本文代码来源：datawhale

相关推荐
Bug终结者_4 小时前
别只会写 Java 了！LangChain4J 带你弯道超车 AI 赛道
后端·langchain·ai编程
GISer_Jing5 小时前
LangChain.js + LangGraph.js 前端AI开发实战指南
前端·javascript·langchain
凌奕6 小时前
LangChain + RAG 实战
langchain
Csvn6 小时前
🌟 LangChain 30 天保姆级教程 · Day 21｜Memory 机制实战！让 AI 记住你说过的话，实现多轮连贯对话！
langchain
正在走向自律10 小时前
从0到1构建企业级RAG系统：基于LangChain+向量数据库的完整实战
langchain·向量数据库·rag·企业级架构
creator_Li11 小时前
LangChain学习笔记
langchain
GISer_Jing11 小时前
LangChain浏览器Agent开发全攻略
前端·ai·langchain
XS03010612 小时前
agent笔记（二）Langchain关键对象
人工智能·笔记·langchain
qq_3643717213 小时前
NestJS + LangChain SSE 流式输出 + 前端实时渲染打字机效果
前端·langchain
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02GitHub 镜像站点032026 年 AI 编程助手全面对比评测：Cursor vs Copilot vs Claude Code vs GitHub Copilot Free04一周AI热点速览（2026.03.31-04.06）：GPT-6曝光、谷歌开源Gemma 4、资本狂飙与模型军备竞赛05GPT-6发布日深度解析-Symphony架构200万Token实战06零成本！Ollama本地部署国产大模型全指南（支持Kimi-K2.5/GLM-5/Qwen，新手秒上手）07AI Weekly | 2026年4月第二周 · GitHub热门项目与AI发展趋势深度解析08基于 Docker 部署 Hermes Agent 并接入飞书机器人的完整指南09GPT-6核心能力解析及与现有主流大模型对比10从限购到畅通：GLM-5.1 Coding Plan接入攻略