哪个网站买做房图纸好销售网站有哪些
模型又可分为语言模型（擅长文本补全，输入和输出都是字符串）和聊天模型（擅长对话，输入时消息列表，输出是一个消息）两大类。
以调用openai的聊天模型为例，先安装langchain_openai库
1、基础调用
初始化模型——构建消息列表——调用模型并输出结果
# 导入openai的聊天模型类
from langchain_openai import ChatOpenAI# 初始化模型
model=ChatOpenAI(model="gpt-3.5-turbo",base_url="https://api.gptsapi.net/v1",temperature=1.2,max_tokens=300,model_kwargs={"frequency_penalty":1.5})from langchain.schema.messages import (SystemMessage,HumanMessage)#构建消息列表
messages=[SystemMessage(content="请你作为我的物理课助教，用通俗易懂的语言解释物理概念。"),HumanMessage(content="什么是波粒二象性？")
]#调用模型并输出结果
response=model.invoke(messages)
print(response)
print(response.content)
model_kwargs是一个用于向语言模型传递额外参数的字典，它的键是一些不常用的参数。它允许你在初始化模型（如ChatOpenAI）时，对模型的行为进行更细致的控制。- 注意：model，base_url，openai_api_key，max_tokens或max_completion_tokens，temperature，stream这些参数通常独立于model_kwargs。（为什么?因为这些参数非常基础，几乎所有模型都有。为了方便设置，就把他们作为更明显的独立参数。把常用参数放进model_kwargs时就会有警告）
- 多种消息类型：
SystemMessage，HumanMessage，AIMessage（表示模型生成的回复消息），FunctionCallMessage（当模型决定调用某个函数来完成任务时，会生成一个FunctionCallMessage消息，包含函数名和参数等信息）invoke：触发模型的响应，里面封装了和语言模型通信的复杂过程，包括构建请求、发送请求、处理响应等。print(response)：打印整个响应对象，这个对象包含了模型返回的所有信息，如消息内容、元数据等。print(response.content)：打印响应对象中的content属性，即模型生成的文本内容
2、提示模板
可以动态构建给模型的消息，效率更高。
针对系统消息、人类消息和AI消息都有相应的模板类。
对于如何填充变量，有隐式识别变量和显式指定 input_variables 两种方式。
from langchain.schema import SystemMessage
from langchain.prompts import SystemMessagePromptTemplate# 定义模板
template = "你是一名 {role}，在 {scene} 中，需要 {task}。"# 方法一：隐式识别变量
# 直接使用 from_template 并传入变量值
system_message_implicit = SystemMessage.from_template(template,role="消防员",scene="火灾现场",task="扑灭大火并营救被困人员"
)print("隐式识别变量生成的系统消息：")
print(system_message_implicit.content)# 方法二：显式指定 input_variables
# 创建 SystemMessagePromptTemplate 对象，显式指定 input_variables
system_message_prompt = SystemMessagePromptTemplate.from_template(template,input_variables=["role", "scene", "task"] #可省
)
# 根据模板和具体变量值生成 SystemMessage
system_message_explicit = system_message_prompt.format_messages(role="消防员",scene="火灾现场",task="扑灭大火并营救被困人员"
)[0]print("\n显式指定 input_variables 生成的系统消息：")
print(system_message_explicit.content)
显式解析：
先用模板类的from_template方法：从一个模板（template）字符串来创建提示模板对象。
后用提示模板对象的format_messages方法：对消息进行格式化处理，即将模板中的占位符填充为实际的值。
SystemMessagePromptTemplate类的实例调用 format_messages 方法，传入具体的变量值，该方法会根据模板和变量值生成一个 SystemMessage 对象列表。（即调用者是提示模板对象，返回值是消息对象的列表）
返回消息列表的原因：
由于这里只有一个消息，所以取列表的第一个元素。
提示模板对象=提示模板类.from_template（模板字符串）
消息列表=提示模板对象.format_messages（变量赋值）
from langchain.schema import SystemMessage
from langchain.prompts import SystemMessagePromptTemplateprompt_template="你是一名{role}，在{scene}中，需要{task}。"# 由模板字符串 构建模板实例
system_message_prompt_template=SystemMessagePromptTemplate.from_template(prompt_template)# 填充模板实例 得到消息列表
system_messages=system_message_prompt_template.format_messages(role="消防员",scene="火灾现场",task="扑灭大火并营救被困人员"
)
print(system_messages)
print(system_messages[0])
print(system_messages[0].content)
#[SystemMessage(content='你是一名消防员，在火灾现场中，需要扑灭大火并营救被困人员。', additional_kwargs={}, response_metadata={})]
#content='你是一名消防员，在火灾现场中，需要扑灭大火并营救被困人员。' additional_kwargs={} response_metadata={}
#你是一名消防员，在火灾现场中，需要扑灭大火并营救被困人员。集成版本：
from_messages：接受一个参数，该参数是一个由元组组成的列表。每个元组包含两个元素，第一个元素表示消息的角色，第二个元素是消息内容模板，其中可以包含占位符。
print（prompt_value）后可以发现，它是消息列表被包装后的形态。
它也可以直接作为参数传给模型。
