一、 LangChain 的三大核心抽象

1. ChatModel（聊天模型）

• 核心作用：与大模型（如 GPT-4、Claude）交互的入口，负责处理输入并生成输出。
• 关键功能：
  • 支持同步调用（model.invoke）和流式处理（model.stream）。
  • 兼容多种模型供应商（如 OpenAI、Anthropic），通过社区生态集成。
• 示例代码：

  from langchain_openai import ChatOpenAI  
  model = ChatOpenAI(model="gpt-4o-mini")  
  result = model.invoke(messages)  
  

2. PromptTemplate（提示词模板）

• 核心作用：结构化提示词，分离开发者预置内容与用户输入。
• 关键功能：
  • 支持占位符（如 {text}），动态替换用户输入。
  • 提供预置模板库（如 ReAct、RAG），便于复用和优化。
• 示例代码：

  from langchain_core.prompts import ChatPromptTemplate  
  prompt_template = ChatPromptTemplate.from_messages([  
      ("system", "Translate the following from English into Chinese:"),  
      ("user", "{text}")  
  ])  
  

3. OutputParser（输出解析器）

• 核心作用：解析模型输出，转换为标准化格式（如字符串、JSON）。
• 关键功能：
  • 内置解析器：StrOutputParser（字符串）、JsonOutputParser（JSON）。
  • 自动生成格式指令（parser.get_format_instructions()），约束模型输出格式。
• 示例代码：

  from langchain_core.output_parsers import JsonOutputParser  
  parser = JsonOutputParser(pydantic_object=Work)  
  chain = prompt_template | model | parser  
  

---

二、链式调用与 LCEL

• 链式组装：通过管道符 | 连接组件（如 chain = prompt_template | model | parser）。
• 执行顺序：声明顺序即处理顺序（先模板替换 → 模型调用 → 结果解析）。
• 优势：声明式代码，逻辑清晰，易于维护。
• LCEL（LangChain表达式语言）：

  chain = (
      PromptTemplate.from_template("总结{text}")
      | model 
      | OutputParser()
  )
  

---

三、流式处理与同步调用

1. 同步调用：

• 使用 model.invoke()，等待完整结果返回。
• 适用于非实时场景（如批量处理）。

2. 流式处理：

• 使用 model.stream()，逐块返回结果（SSE 技术）。
• 提升用户体验（逐 Token 输出），适用于聊天等实时场景。
• 示例代码：

  stream = model.stream(messages)  
  for response in stream:  
      print(response.content, end="")  
  

---

四、核心抽象的应用场景

• ChatModel：直接调用模型生成内容（如翻译、问答）。
• PromptTemplate：预置系统提示词（如角色设定、任务描述）。
• OutputParser：
  • 标准化输出格式（如 JSON 解析）。
  • 结合 pydantic 模型定义数据结构（如 Work 类）。

---

五、开发建议与最佳实践

• 优先使用 ChatModel：覆盖大部分场景，替代旧版 LLM 接口。
• 复用社区模板：通过 hub.pull("hwchase17/react") 加载预置提示词。
• 灵活选择解析器：根据需求选择 StrOutputParser、JsonOutputParser 等。

---

六、一句话总结

LangChain 的核心抽象 ChatModel、PromptTemplate、OutputParser 通过链式调用（LCEL）实现输入处理、模型交互与输出解析，支持同步与流式响应，是构建模块化、可维护 AI 应用的基石。