欢迎来到啾啾的博客🐱。
记录学习点滴。分享工作思考和实用技巧，偶尔也分享一些杂谈💬。
有很多很多不足的地方，欢迎评论交流，感谢您的阅读和评论😄。

引言

在上一篇LangChain入门中，我们已经了解到了可以使用LangChain的langchain_deepseek组件与DeepSeek进行对话。
但DeepSeek并没有提供如OpenAI一样的诸多参数来解决AI使用的问题，如控制随机性的temperature，控制重复（质量和新颖度）的presence_penalty和frequency_penalty。

关于参数在之前常见AI参数讲解有介绍过。

那AI的诸多问题要怎么解决呢？要怎么控制大模型（AI）呢？
常见问题如下：

我们应该使用“直接修改大模型本身”之外的方案来解决问题（不现实）。
比如，LangChain。
LangChain不仅仅通过简单传递参数给 LLM API来解决问题，它还抽象了一系列组件来提供问题的解决方案。使用LangChain，可以讲不同大模型API封装成统一、易于调用的形式。

需要快速回顾和看懂Python的Java程序员可以看一下我之前写的Python快速入门

基础代码

上一篇入门中有与DeepSeek联网搜索对话的代码，这里放一个对话基础代码。

我本地是没有问题的（狗头）。有问题随时交流。

在DeepSeek官网购买获取API-KEY后替换到代码中。

import os# 基础对话所需
from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import SystemMessage, HumanMessage# 环境key
os.environ["DEEPSEEK_API_KEY"] = 'sk-xx'def get_deepseek_key():key = os.getenv('DEEPSEEK_API_KEY')if key is None:raise ValueError("DEEPSEEK_API_KEY not found in environment variables.")return key# --- LLM 初始化 ---
def create_deepseek_llm():api_key = get_deepseek_key()if not api_key:raise ValueError("没有ds key")return ChatDeepSeek(model = "deepseek-chat",temperature=0.1, # 低温度，更具备确定性max_tokens=1024, timeout=None,max_retries=2,api_key=api_key)def test_simple_llm_call():llm = create_deepseek_llm()# 封装消息# LangChain 支持的消息类型如下：# - 'human': 人类消息# - 'user': 用户消息# - 'ai': AI 消息# - 'assistant': 助手消息# - 'function': 函数消息# - 'tool': 工具消息# - 'system': 系统消息# - 'developer': 开发者消息messages = [("system","你是一个乐于助人的LangChain专家。"),("human","你好，请用一句话介绍LangChain。")]# 流式响应for chunk in llm.stream(messages):print(chunk.text(), end="")print("\n AI回答完了")# 单词响应# response = llm.invoke(messages)# print("AI:", response.content)if __name__ == '__main__':test_simple_llm_call()

LangChain python官方文档

https://python.langchain.com/docs/how_to/#prompt-templates

输出可控性

结构化输入输出：提示模板Prompt Templates

LangChain提供了组件 Prompt Templates（提示模板）用来"让你的指令更规范、灵活，并且可以动态地根据用户输入或上下文调整"。

# 导入提示模板
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate

场景：我们创建一个LangChain专家的提示模板

import os# 基础对话所需
from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import SystemMessage, HumanMessage# 提示模板
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate# 环境key
os.environ["DEEPSEEK_API_KEY"] = 'sk-xx'def get_deepseek_key():key = os.getenv('DEEPSEEK_API_KEY')if key is None:raise ValueError("DEEPSEEK_API_KEY not found in environment variables.")return key# --- LLM 初始化 ---
def create_deepseek_llm():api_key = get_deepseek_key()if not api_key:raise ValueError("没有ds key")return ChatDeepSeek(model = "deepseek-chat",temperature=0.1, # 低温度，更具备确定性max_tokens=1024,timeout=None,max_retries=2,api_key=api_key)# --- 使用模板对话限定输入输出 ---
def create_langchain_teacher_template():# 创建基础对话模板 """ 我们能在一些消息的构建上看到这种使用消息对象的写法。但是实际上这不是推荐的简洁写法，应该直接使用元组。是的，这个写法不会被视为一个s-string模板，而是一个stringreturn ChatPromptTemplate.from_messages([SystemMessage(content="你是一个乐于助人的LangChain专家。"),HumanMessage(content="你好，我想问一个关于LangChain的问题: {actual_user_input}")])"""return ChatPromptTemplate.from_messages([("system", "你是一个乐于助人的LangChain专家。"),("human", "你好，我想问一个关于LangChain的问题: {actual_user_input}") # 确保这里是占位符])def test_simple_template_call():llm = create_deepseek_llm()user_question = "你好，请问LangChain组件Prompt Templates可以做什么？"prompt_template = create_langchain_teacher_template()messages = prompt_template.format_messages(actual_user_input=user_question)print("最终发送给 LLM 的消息:")for msg in messages:print(f"- 类型: {msg.type}, 内容: {msg.content}")print("\nAI开始回答")for chunk in llm.stream(messages):print(chunk.content, end="")print("\nAI回答完了")if __name__ == '__main__':test_simple_template_call()

Prompt Templates可以告诉LLM它应该扮演什么角色、提供上下文、引导输出。

这里需要注意的是，在使用ChatPromptTemplate.from_messages()方法创建ChatPromptTemplate实例时，使用元组消息而是不是使用消息对象。
(“human”, “…”) 语法糖在幕后为你做了更多的工作，将字符串自动识别和处理为模板。而直接使用 HumanMessage(content=“…”) 时，content 被视为最终内容，而不是一个待格式化的模板。

输出解析器 Output Parsers(输出解析器)

现在，我们已经了解了基本对话和使用提示词模板Prompt Templates来限制输出。有时候我们需要结构化的输出数据，比如JSON、列表等…
LangChain提供了Output Parsers(输出解析器)来解析大模型返回文本。

以Prompt Templates的代码为基础，我们导入类库，询问LangChain的3个优点

import os# 基础对话所需
from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import SystemMessage, HumanMessage# 提示模板
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate# 输出解析器
from langchain.output_parsers import CommaSeparatedListOutputParser# 链条
from langchain.chains import LLMChain, SimpleSequentialChain, SequentialChain# 环境key
os.environ["DEEPSEEK_API_KEY"] = 'sk-xx'def get_deepseek_key():key = os.getenv('DEEPSEEK_API_KEY')if key is None:raise ValueError("DEEPSEEK_API_KEY not found in environment variables.")return key# --- LLM 初始化 ---
def create_deepseek_llm():api_key = get_deepseek_key()if not api_key:raise ValueError("没有ds key")return ChatDeepSeek(model = "deepseek-chat",temperature=0.1, # 低温度，更具备确定性max_tokens=1024,timeout=None,max_retries=2,api_key=api_key)# --- 使用模板对话限定输入输出 ---
def create_langchain_teacher_template():return ChatPromptTemplate.from_messages([("system", "你是一个乐于助人的LangChain专家。"),("human", "你好，我想问一个关于LangChain的问题: {actual_user_input} \n\n {format_instructions}") # 确保这里是占位符])# --- 使用输出解析器解析输出 ---
def create_output_parser():return CommaSeparatedListOutputParser()def test_output_parser_with_template():llm = create_deepseek_llm()output_parser = create_output_parser()"""1.获取格式化指令对于 CommaSeparatedListOutputParser，它会是类似 "Your response should be a list of comma separated values, eg: `foo, bar, baz`""""format_instructions = output_parser.get_format_instructions()print(f"输出解析器的格式化指令: {format_instructions}")prompt_template = create_langchain_teacher_template()user_task = "请列出 LangChain 的3个主要优点。"# 2.格式化完整提示，包含用户任务和格式指令messages_for_llm = prompt_template.format_messages(actual_user_input=user_task,format_instructions=format_instructions)print("\n最终发送给 LLM 的消息 (包含格式指令):")for msg in messages_for_llm:print(f"- 类型: {msg.type}, 内容: {msg.content}")# 3. 调用LLM并获取原始文本输出print("\nAI开始生成原始文本 (等待 LLM 响应)...")ai_response_message = llm.invoke(messages_for_llm)raw_llm_output = ai_response_message.content # AIMessage对象的content属性是字符串print(f"LLM 返回的原始文本: '{raw_llm_output}'")# 4. 解析原始文本输出try:parsed_output = output_parser.parse(raw_llm_output)print("\n解析后的输出 (Python列表):")print(parsed_output)if isinstance(parsed_output, list):print("LangChain 的3个优点是:")for i,advantage in enumerate(parsed_output):print(f"{i}. {advantage.strip()}")except Exception as e:print(f"解析输出时出错: {e}")print("这通常意味着 LLM 的输出没有严格遵循格式化指令。")print("你可以尝试调整提示，或者使用更鲁棒的解析器/重试机制。")print("--- 结束测试：带输出解析器的模板调用 ---\n")if __name__ == '__main__':test_output_parser_with_template()