与LLM和聊天模型交互

LangChain提供了一个统一的接口，用于与多种语言模型交互，屏蔽了OpenAI、Anthropic或Hugging Face等提供商之间具体的API差异。这种标准化让您只需少量代码改动即可在模型间切换。此抽象的核心是两种主要类型的模型：LLM和Chat Model。了解它们的不同是构建高效应用的第一步。

LLM接口：直接的文本输入，文本输出模型

LLM类代表了与语言模型最直接的交互方式。它基于简单的文本输入、文本输出模式运行。您提供一个字符串作为提示，模型返回一个字符串作为补全或答案。此接口最适合用于设计为文本补全的模型，例如旧模型或经过特定指令调整的补全模型。

将此接口视为一个直接的函数调用，其中输入和输出都是纯文本。

# 请确保安装所需的包：
# pip install langchain-openai

import os
from langchain_openai import OpenAI

# 设置您的API密钥
# os.environ["OPENAI_API_KEY"] = "YOUR_API_KEY"

# 实例化模型
# 我们指定'gpt-3.5-turbo-instruct'，它专为此补全式接口设计。
llm = OpenAI(model="gpt-3.5-turbo-instruct")

# 准备输入字符串
prompt = "What is the capital of Japan?"

# 调用模型
response = llm.invoke(prompt)

print(response)
# 预期输出：
# 日本的首都是东京。

invoke方法将提示发送到模型的API，并直接返回生成的文本。这种方法对于摘要、翻译或回答事实性问题等单轮任务很高效，而无需会话背景。

ChatModel接口：管理结构化对话

相对而言，ChatModel接口专为更复杂的对话式交互设计。大多数现代且功能强的模型，例如GPT-4或Claude 3，都为聊天格式做了优化。ChatModel接收一个消息对象列表作为输入，而非单个字符串。这种结构让模型能够明白对话背景，包括谁说了什么。

消息主要有三种类型：

• SystemMessage：这设定AI的整体基调和指令。它就像给模型一个角色设定或一套在整个对话中要遵循的规则。它通常是列表中的第一个消息。
• HumanMessage：这代表用户输入。
• AIMessage：这代表模型自身的先前回复。通过在输入中包含AIMessage对象，您可以为模型提供对话历史。

让我们看看这如何与ChatOpenAI一起使用，它是OpenAI模型的聊天专用集成。

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 实例化聊天模型
chat = ChatOpenAI(model="gpt-4o")

# 准备消息列表
messages = [
    SystemMessage(content="You are a helpful assistant that translates English to French."),
    HumanMessage(content="Hello, how are you?"),
]

# 调用模型
response = chat.invoke(messages)

print(response)
# 预期输出：
# AIMessage(content='Bonjour, comment allez-vous ?', response_metadata=...)

# 若要获取文本内容，请访问 .content 属性
print(response.content)
# 预期输出：
# Bonjour, comment allez-vous ?

请注意，输出不是字符串，而是一个AIMessage对象。此对象在其.content属性中包含字符串内容，以及来自API响应的其他有用元数据。这种结构化的输入和输出使得ChatModel成为构建聊天机器人、多步推理代理或任何对话历史很要紧的应用的首选。

两种接口的比较

这两种模型类型之间的区分反映了LLM的发展。早期模型主要是文本补全器，而现代模型则被微调为会话助手。下图描绘了每种接口的不同数据流。

LLM接口处理单个字符串，而ChatModel接口处理结构化的消息列表，使其适用于对话情境。

以下是区别汇总：

特点	LLM接口	ChatModel接口
输入格式	单个文本字符串。	一个消息对象列表（SystemMessage、HumanMessage等）。
输出格式	单个文本字符串。	一个包含内容和元数据的AIMessage对象。
常见用途	简单的文本补全、摘要、单轮问答。	对话代理、多轮对话、角色扮演场景。
底层模型	为文本补全做了优化（例如，gpt-3.5-turbo-instruct）。	为遵循指令和对话做了优化（例如，gpt-4o、claude-3-sonnet）。

一般来说，您应优先使用ChatModel，因为它们是大多数现代高性能语言模型的标准。

在明确了如何与模型沟通后，下一步是掌握如何制定指令。现在我们将关注PromptTemplates，它能让您为这些模型构建动态且可复用的输入。