一文搞懂 Langchain Models （三）

利用LangChainModels进行聊天交互：ChatModels详解,
最新推荐文章于 2025-12-03 20:31:34 发布
原创 最新推荐文章于 2025-12-03 20:31:34 发布 · 336 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#langchain #人工智能 #microsoft

本文介绍了如何使用LangChain的ChatModels进行基于LLM的聊天交互，包括不同类型的系统消息、人类消息和AI消息，以及如何设置参数和传递消息以获取响应。文章还展示了如何通过批量处理来提高效率。

theme: orange

接上文《🔥🔥🔥一文搞懂 Langchain Models (二)》。

Chat Models

聊天模型使用LLM(大型语言模型)进行操作，但具有不同的接口，使用“消息”而不是原始文本输入/输出。LangChain 提供了与这些模型轻松交互的功能。

在聊天模型中，支持三种类型的消息：

  • SystemMessage(系统消息) - 这设置了LLM的行为和目标。您可以在这里给出具体的指示，如：“扮演市场经理。” 或 “只返回JSON响应，不返回说明文本”
  • HumanMessage(人类消息) - 这是您将用户提示输入并发送给LLM的地方
  • AIMessage(AI消息) - 当将聊天记录传回LLM以供将来请求时，您可以在这里存储来自LLM的响应。

还有一个通用的 ChatMessage，它接受一个任意的“角色”输入，可以在需要除系统/人类/AI之外的其他内容的情况下使用。但通常情况下，您会使用上面提到的三种类型。

要使用它，您需要导入所使用集成的聊天模型。

python from langchain.chat_models import ChatOpenAI from langchain.schema import ( AIMessage, HumanMessage, SystemMessage ) 然后，您需要初始化聊天代理。这个示例使用了 OpenAI 的聊天模型。

python chat = ChatOpenAI(temperature=0)

与LLM模型一样，这也有多个可以调整的设置，例如：

最低0.47元/天 解锁文章
一文彻底搞懂什么是LangChain？
女王の专属领地
10-24 2346
LangChain赋予了开发人员将LLM与其他计算和知识来源相结合以构建应用程序的能力。使用LangChain，开发人员可以使用一个抽象LLM应用程序的核心构建块的框架。探索LangChain的能力并尝试其各个组件，会发现可能性几乎无限。LangChain框架提供了一种灵活和模块化的语言生成方法，允许创建根据用户特定需要量身定制的定制解决方案。
一文读懂Langchain：ChatGLM3和ChatGPT的Agent调用分析
羊城迷鹿的博客
12-08 8682
首先下载上面给出的github项目并安装环境，然后想想要测试什么问题。请问下面这个字符串的长度的三次幂是几：XXX，理想情况下，Agent加持的大模型会分析出需要调用获取字符串长度和计算三次幂这两个工具，然后连续调用它们得到正确的结果。所以第一步就是要把这两个工具定义好，在这个项目里，只要在Tool文件夹下定义好xxx.py和xxx.yaml这两个文件，xxx这个工具就算可以使用了，我们对这两个工具的定义如下，注意这些工具的输入和输出都得是字符串。
LangChain三大消息模式解析：AIMessage、HumanMessage 和 SystemMessage
爱的叹息的专栏
05-20 2528
LangChain 的 schema 定义了三种角色类型的数据模式：AIMessage、HumanMessage 和 SystemMessage，用于构建结构化的对话系统。AIMessage 代表 AI 生成的回复，HumanMessage 代表用户的输入，SystemMessage 则提供对话的上下文或规则。通过这三种消息类型，对话系统能够更智能地处理用户查询并生成合适的回复。例如，用户询问天气时，HumanMessage 表示用户问题，AIMessage 表示 AI 的回复，而 SystemMessag
AI菜鸟向前飞 — LangChain系列之三（OpenAI和ChatOpenAI的区别）
Song榆钱儿的博客
05-13 1859
本文主要介绍langchain框架中的OpenAI与ChatOpenAI区别和联系
LandChain架构及核心模块概览【一文读懂langchain】
weixin_73804504的博客
08-05 1117
Memory 是实现对话连贯性的核心。从 ConversationBufferWindowMemory开始，它适用于 80% 的场景，是性能和资源消耗的最佳平衡点。如果需要更精细地利用上下文窗口，选择 ConversationTokenBufferMemory。只有在需要处理非常长的对话，并且能够接受额外成本和延迟时，才使用 ConversationSummaryBufferMemory。务必确保memory_key和 Prompt 中的占位符变量名一致，这是最常见的错误来源。
【大模型从入门到精通19】开源库框架LangChain LangChain文档加载器1
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
08-13 2238
在数据驱动的应用领域，特别是涉及对话界面和大型语言模型（LLM）的应用中，从各种来源高效加载、处理并与数据进行交互的能力至关重要。这些加载器擅长处理来自公共源的数据，如 YouTube、Twitter 和 Hacker News，同时也适用于来自专有源的数据，如 Figma 和 Notion。保存清洗后的文本：可选地，脚本可以将清洗和分词后的文档文本保存到文件中。这个扩展的代码提供了一个更全面的示例，展示如何从加载和清洗文本到基本分析和处理特殊情况，对 PDF 文档进行程序化的处理。
TensorRT笔记（5）：研究timingCache
ouliten的博客
12-02 806
在里出现了大量的timingCache，但是当时没有取研究这是干啥的，本文就来解析一下。样例都基于上面的文章。
大模型应用：大模型 MapReduce 全解析：核心概念、中文语料示例实现.12
minhuan的专栏
12-03 853
本文介绍了MapReduce编程模型及其在大模型训练中的应用。MapReduce通过"分治-并行-聚合"思想处理大规模数据，传统Hadoop MapReduce侧重结构化数据计算，而大模型MapReduce则针对自然语言处理任务。文章详细对比了两者在架构、处理对象和核心算力等方面的差异，并提供了中文词频统计的Python实现示例，包括单机版和分布式版本。分布式实现利用多进程模拟集群计算，展示了数据分片、Map、Shuffle和Reduce的完整流程。
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1515
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
07_Spring AI 干货笔记之提示词
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 1730
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
【LLM】DeepSeekMath-V2模型
发现问题，并解决问题，批判性思维
11-29 1525
研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。 研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。 相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep
【AI是否能替代IT从业者？】
最新发布
博文致力于人工智能算法的探索研究；前后端分离项目的技术分享交流；专升本计算机基础课程内容讲解；各种中间件技术分享
12-03 573
2025年IT行业面临AI深度重构：基础开发、测试、运维岗位替代率超60%，但AI相关新兴岗位激增380%。人类在复杂系统设计、伦理决策和跨界融合领域仍具不可替代性。微软等企业实践显示，人机协作可使效率提升40%。从业者需转型高价值领域（如Agent开发、大模型工程），掌握"技术+领域"双轨能力。AI本质是职业生态重构器，持续学习者的薪资溢价可达150%。建议立即评估岗位AI暴露指数，优先学习分布式架构优化、多智能体开发等技能。
AI驱动的网联自动驾驶汽车网络安全测试方法
NewCarRen的博客
12-03 703
本文综述了网联自动驾驶汽车(CAV)网络安全测试面临的挑战与解决方案。随着CAV普及，网络攻击风险加剧，现有渗透测试方法面临测试环境成本高、专业人才匮乏等挑战。研究表明，人工智能(AI)在传统行业渗透测试中展现出缩短时间、提高效率的优势，但在CAV领域应用仍存在明显缺口。文章重点分析了强化学习等AI算法在渗透测试中的应用潜力，指出创建仿真环境是测试AI模型有效性的可行方案。开源工具VEINS被推荐为合适的仿真平台，其Python/C++接口便于AI模型集成。研究认为，若证实AI方法有效，可扩展应用于完整CA
概率单位回归（Probit Regression）详解
拒绝AI玄学，只聊真技术▲
11-28 1107
概率单位回归（）是一种基于正态分布累积函数的广义线性模型，专门用于分析二分类因变量与自变量之间的关系。该模型假设事件发生概率服从标准正态分布，通过回归系数建立解释变量与概率值的线性关系，输出结果表现为0-1之间的概率值。Probit回归作为统计学和机器学习中的重要工具，通过连接概率世界和正态分布，为分析二元响应数据提供了强大的方法论基础。从Bliss在1934年开创性的工作到Rosett和Nelson在1975年的扩展，Probit模型已在经济学、医学、生态学和市场营销等多个领域证明了其价值。💡。
智镜随行：基于Rokid CXR-M SDK的智能眼镜无障碍辅助系统开发实践
Rqaqedamancy的博客
11-28 830
摘要： 本文介绍了基于Rokid CXR-M SDK开发的视障辅助系统「智镜随行」，通过AR眼镜与手机的协同实现无障碍辅助功能。系统利用眼镜端采集第一视角图像与语音，手机端调用多模态AI模型（OCR、目标检测、大语言模型）进行环境理解，并将结构化信息通过TTS实时反馈给用户。采用三层架构设计，结合蓝牙/Wi-Fi双通道通信，实现低延迟交互。开发中严格遵循SDK接口规范，完成设备连接、图像处理、语音交互等核心功能模块，为视障人士提供实时环境感知与导航辅助，展示了Rokid生态在普惠科技领域的应用潜力。
抖音灵感重生计划
yesyesido的博客
12-01 885
水印不应是创意的终点，而是再创作的起点。
【模式识别与机器学习（16）】聚类分析【1】：基础概念与常见方法
hiliang521的博客
12-02 839
【模式识别与机器学习（16）】聚类分析【1】：基础概念与常见方法
openGauss压力测试：性能、稳定性与AI能力的全面探索
2202_76097976的博客
11-30 9789
parser.add_argument("--method", choices=["copy", "execute_values"], default="copy", help="插入方法")parser.add_argument("--batch-size", type=int, default=1000, help="execute_values 的批大小")parser.add_argument("--concurrency", type=int, default=50, help="并发线程数")
Product Hunt 每日热榜 | 2025-11-29
LaughingZhu的博客
11-29 807
Product Hunt 每日热榜 | 2025-11-29 这是一款为 JetBrains 开发的 AI 插件，能够从架构层面理解后端项目。它直接访问 Spring Bean 图、数据库结构和框架语义，而不仅仅是表面代码。可以为包含超过十万个文件的复杂系统提供上下文感知的建议。
一文搞懂推荐算法
03-14
### 推荐算法概述 推荐系统旨在预测用户的兴趣并向用户提供个性化的建议。这类系统广泛应用于电子商务、社交媒体以及娱乐行业等领域，帮助用户发现感兴趣的商品或内容。为了构建有效的推荐引擎，通常采用三种主要类型的推荐技术：基于内容的过滤(Content-based Filtering)，协同过滤(Collaborative Filtering)，混合模型(Hybrid Models)[^4]。 #### 协同过滤原理 在众多推荐算法中，协同过滤是最常用的一种方法之一。其核心思想在于利用大量其他用户的行为数据来进行个性化推荐。具体来说，如果两个用户在过去表现出相似的兴趣偏好，则认为他们在未来也会有类似的喜好；同样地，对于同一类商品而言，被一群具有相同品味的人所喜爱意味着这些产品之间存在关联性[^4]。 ##### 用户-项目矩阵(U-V矩阵) 以视频平台为例，可以建立一个二维表格形式的关系结构——用户-视频矩阵（User-to-Item Matrix），其中每一行代表一位特定观众的历史观看记录，而每列则对应不同影片的信息。当面对稀疏的数据集时，可以通过填充缺失值或者仅保留评分较高的条目等方式简化处理过程。 ##### 计算相似度 针对上述提到的两种情况（即寻找相似用户和查找相近物品），需要定义合适的距离度量方式来量化彼此间的差异程度。常见的衡量标准包括余弦相似度(Cosine Similarity)、皮尔逊相关系数(Pearson Correlation Coefficient)等。例如，在计算两部电影之间的相似度时，可以选择后者作为评价指标： \[ \text{similarity}(A, B)=\frac{\sum_{i=1}^{n}\left(r_{Ai}-\bar{r}_{A}\right)\left(r_{Bi}-\bar{r}_{B}\right)}{\sqrt{\sum_{i=1}^{n}\left(r_{Ai}-\bar{r}_{A}\right)^{2}} \cdot \sqrt{\sum_{i=1}^{n}\left(r_{Bi}-\bar{r}_{B}\right)^{2}}} \] 这里 \( r_{Xj} \) 表示第 j 位用户给定 X 物品打下的分数，\( \overline {r_X } \) 则表示所有涉及此项目的平均得分。 ```python import numpy as np from scipy.spatial.distance import pdist, squareform def pearson_corr_matrix(data): """Calculate the Pearson correlation coefficient matrix.""" corr = 1 - squareform(pdist(data.T, metric='correlation')) return corr ``` #### 实现步骤 尽管具体的实施方案可能因应用场景的不同有所变化，但总体上遵循以下几个原则： - **数据预处理**：清洗并整理原始日志文件中的交互事件； - **特征提取**：根据业务需求选取恰当维度描述实体属性； - **模型训练**：运用机器学习框架完成参数估计工作； - **效果评估**：借助离线测试集验证性能表现，并持续迭代优化方案。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值