本文是学习笔记。学习通过提示工程与大语言模型进行程序化的交互。
将从最基本的开始，比如使用哪些模型，以及如何向它们发送提示词并查看响应。
将逐步构建更复杂的提示词，并学习 LangChain 为我们提供的、用于与大语言模型交互的丰富工具。
Langchain链核心是运行时（runnable），它们能以多种方式组合的为工作流。
如何创建 LangChain 链
from langchain_nvidia_ai_endpoints import ChatNVIDIAfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParser#创建模型实例base_url = 'http://llama:8000/v1'model = 'meta/llama-3.1-8b-instruct'llm = ChatNVIDIA(base_url=base_url, model=model, temperature=0)#Langchain运行时template = ChatPromptTemplate.from_template("Answer the following question: {question}")prompt = template.invoke({"question": "In what city is NVIDIA world headquarters?"})response = llm.invoke(prompt)print(response.content)
LangChain 表达语言（LCEL）
LCEL 用一种声明式的方法将运行时组合成链：可复用的功能组合。我们通过 LCEL 的管道 | 操作符将运行时链接在一起，从高层次来看，就是将一个运行时的输出传递给下一个。
对于那些使用过 Unix 命令行的朋友来说，您会熟悉 | 操作符，它是将各种程序的功能链接在一起以服务于整体任务的一种方式。
如果您对 Bash 不是很了解，不用太担心下面的单元。但对于了解的朋友，您会看到我们通过管道操作符创建了一个链，用 echo 打印“hello pipes”，用 rev 反转字符串，然后用 tr 转为大写。
%%bashecho hello pipes | rev | tr 'a-z' 'A-Z'
同样，我们也可以用 LCEL 的管道操作符将许多 LangChain 的功能方便地链接在一起。
一个简单的链
让我们从一个简单的链开始，这与您之前的工作相关。为了方便查看，我们将再次在这里定义 LLM 实例和一个提示模板。
llm **=** ChatNVIDIA(base_url**=**base_url, model**=**model, temperature**=**0)template **=** ChatPromptTemplate.from_template("Answer the following question: {question}")
现在我们将通过管道将这两个组合在一起，创建我们的第一个 LCEL 链。一般来说，应该先经过提示模板，然后将生成的提示词发送给 LLM，因此我们将在管道中先放置模板。
chain = template | llm
可以使用链的辅助方法来可视化由 chain 表示的计算图。
print(chain.get_graph().draw_ascii())
如您所见，链将期待一个 PromptInput，这个输入将被传递到 ChatPromptTemplate 中，然后再传递到 ChatNVIDIA 模型，最终生成 ChatNVIDIAOutput。
此外，我们还可以规定链所期望的输入类型，这次使用一个不同的辅助方法。
chain.input_schema.schema()
上面是一个 Pydantic 对象，我们现在不会深入探讨，但您会立即注意到它的 required 字段明确指出了我们需要传递给 chain 的任何属性名称。
链是由运行时组成的，但它们自己也是运行时。因此，就像我们对待任何其它运行时一样，可以使用其 invoke 方法。
我们知道链的开始部分需要一个提示输入，而提示模板希望我们为 question 提供一个值，因此我们将在调用链时提供预期的值。
