可运行接口（Runnable interface）是处理 LangChain 组件的基础，它在许多组件中实现，如语言模型、输出解析器、检索器、编译的 LangGraph 图等。

本文介绍了 Runnable 接口的主要概念和方法，它允许开发者在一致且可预测的方式下与 LangChain 组件交互。

此处所指的信息是解析器，它们从模型获取文本输出尝试将其解析为一个更结构化的表示。 越来越多的模型支持函数（或工具）调用，此类调用会自动处理这一问题。 建议使用函数/工具调用而不是输出解析。

输出解析器（Output parser）负责获取模型的输出并将其转换为更适合下游任务的格式。 当您使用 LLM 生成结构化数据或规范化聊天模型和 LLM 的输出时，此功能非常有用。

工具调用概述

许多人工智能应用直接与人类交互。在这些情况下，模型需要用自然语言回应。 但是，当我们希望模型也能直接与系统（如数据库或 API）交互时，又该如何呢？ 这些系统通常有一个特定的输入模式；例如，API 经常有一个必需的负载结构。 这种需求促使了工具调用（Tool calling）的概念。可以使用工具调用来请求符合特定模式的模型响应。

工具概述

LangChain 中的工具（Tool）抽象将一个 Python 函数与定义该函数名称、描述和预期参数的规范关联起来。

工具可以传递给支持工具调用的聊天模型，从而允许模型请求使用特定输入执行特定功能。

消息概述

消息（Message）是聊天模型中的通信单位。它们用于表示聊天模型的输入和输出，以及与对话可能相关的任何附加上下文或元数据。

每个消息都有一个角色（如“用户”、“助手”）和内容（如文本、多模态数据），此外还有根据聊天模型提供商而变化的附加元数据。

提示模板

提示模板（PromptTemplate）有助于将用户的输入和参数转换为语言模型的指令。这可以用来指导模型的响应，帮助其理解上下文并生成相关且连贯的语言输出。

提示模板以字典形式作为输入，其中每个键代表提示模板中的变量，需要填充内容。

聊天模型

大型语言模型（LLM）是一种先进的机器学习模型，在文本生成、翻译、总结、问答等广泛的与语言相关任务中表现出色，无需在每个场景中都进行任务特定的微调。
现代大型语言模型通常通过聊天模型界面进行访问，该界面接受消息列表作为输入，并返回一条消息作为输出。

介绍

LangChain 是一个框架，用于开发基于大语言模型（LLMs）的应用程序。
LangChain 简化了LLM应用生命周期的每一个阶段：

• 开发阶段：使用 LangChain 的开源构建块、组件和第三方集成来构建您的应用程序。使用 LangGraph 构建具有一流流处理和人工干预支持的有状态代理。
• 生产阶段：使用 LangSmith 检查、监控和评估您的链，从而可以不断优化和部署并有信心。
• 部署阶段：使用 LangGraph Cloud 将您的 LangGraph 应用程序转化为生产就绪的 API 和助手

• LangChain 介绍
• LangChain 专题1 调用大语言模型
• LangChain 专题2 使用消息
• LangChain 专题3 使用提示模板
• LangChain 专题4 工具介绍

简介

Pydantic 是一个基于 Python 类型提示的数据验证库，主要特点包括：