1、提示词模版的示例及理解？
答：
提示词模版：prompt templates，提供当前任务的特定上下文，即输入与输出之间的逻辑。
示例：
from langchain.prompts.chat import ChatPromptTemplate
# 步骤一：定义模版，AI助手的角色和能力
template = "你是一个翻译助手，可以帮助我将 {input_language} 翻译成 {output_language}."
# 步骤二： 定义人类消息模版，{text}为占位符
human_template = "{text}"
# 步骤三：创建实例，提示词模版，系统消息，输入消息
chat_prompt = ChatPromptTemplate.from_messages([
("system", template),
("human", human_template),
])
# 步骤四：加入消息文本，创建message列表，传送给AI模型
text = "我带着比身体重的行李，\
游入尼罗河底，\
经过几道闪电 看到一堆光圈，\
不确定是不是这里。\
"
messages = chat_prompt.format_messages(input_language="中文", output_language="英文", text=text)
messages
2、输出解析器的作用？类型？输入输出形式？
答：
输出解析器，output parser：类型转换，将语言模型的输出转化为可使用的格式，如字符串等。示例如下：
# StrOutputParser()将chatMessage类型解析为字符串的类
output_parser = StrOutputParser()
output_parser.invoke(output)
3、什么是LCEL语法？有何优势？举例说明？
答：
LCEL（LangChain expression language）：LangChain表示式语言，实现拼接功能。用户输入传递到提示模板，然后提示模板输出传递到模型，然后模型输出传递到输出解析器。示例如下：
chain = prompt | model | output_parser
4、使用LangChain调用智谱AI模型的流程？代码结构？分析核心模块？
答：
代码解释如下：
# 步骤一 需要自定义一个大模型的文件并导入
from zhipuai_llm import ZhipuAILLM
# 步骤二 创建大模型智能体
zhipuai_model = ZhipuAILLM(model="chatglm_std", temperature=0, api_key=api_key)
# 步骤三 传入message信息，得到模型的输出信息
output = zhipuai_model.invoke(messages)
# 步骤四 定义一个输出解析器，可将输出信息类型从chatMessage类型转换为string类型
from langchain_core.output_parsers import StrOutputParser
output_parser = StrOutputParser()
output_parser.invoke(output)
# 步骤五 使用LCEL语法直接连接在一起
llm = zhipuai_model
output_parser = StrOutputParser()
chain = chat_prompt | llm | output_parser
chain.invoke(prompt)
创建智能体的类，以ZhipuAI为例，如下：
class ZhipuAILLM(LLM):
# 默认选用 glm-4 模型
model: str = "glm-4"
# 温度系数
temperature: float = 0.1
# API_Key
api_key: str = None
# 创建_call函数，输入：提示词，输出模型的处理结果
def _call(self, prompt : str, stop: Optional[List[str]] = None,
run_manager: Optional[CallbackManagerForLLMRun] = None,
**kwargs: Any):
def gen_glm_params(prompt):
'''
构造 GLM 模型请求参数 messages
请求参数：
prompt: 对应的用户提示词
'''
messages = [{"role": "user", "content": prompt+"你是一个翻译助手，帮助将文字翻译成英文"}]
return messages
client = ZhipuAI(
api_key=self.api_key
)
messages = gen_glm_params(prompt)
response = client.chat.completions.create(
model = self.model,
messages = messages,
temperature = self.temperature
)
if len(response.choices) > 0:
return response.choices[0].message.content
return "generate answer error"
