数据只有具有希望的结构才可能被有效地处理，我们在调用`create_agent`函数创建Agent的时候，可以利用`response_format`控制输出的格式。我们可以定义一个Pydantic模型类表表示期望输出的结构，如果将此类型表示成`ResponseT`，我们可以直接将此类型作为`response_format`参数的值，也可以将此参数赋值为`ResponseFormat[Respons

我们不断在强调Agent本质上是一个Pregel对象，其状态完全利用通道来维护，所以作为状态的`AgentState`对象的数据成员会转换成对应的通道。当我们看到`AgentState`的三个字段定义的时候，是不是感到很熟悉：前面演示实例输出的通道就有三个与它们同名。

少样本学习（Few-Shot Learning）是一种机器学习范式，旨在让模型在仅有极少量标注样本（通常为 1-5 个）的情况下，能够快速理解新任务并做出准确预测。少样本提示词就是少样本学习在大模型领域的具体落地手段。如果说“少样本学习”是让模型具备举一反三的能力，那么“少样本提示词”就是你实现这种能力的“说明书”。LangChain提供了一组针对性的少样本提示词模板。

我们知道提示词 是调用语言模型最为核心的输入，提示词的质量直接影响答案的质量，所以我们不论抬高提示词的重要性都不过分。提示词在LangChain中通过PromptValue类型表示，我们一般利用预定义的提示词模板来生成它。提示词模板也以一个Runnable对象的形式存在，由于提示词模板生成的PromptValue正好使模型的输入，所有两者正好组合成一个LCEL链。这一篇将会介绍Chat模型的提示词

我们知道提示词是调用语言模型最为核心的输入，提示词的质量直接影响答案的质量，所以我们不论抬高提示词的重要性都不过分。提示词在LangChain中通过`PromptValue`类型表示，我们一般利用预定义的提示词模板来生成它。提示词模板也以一个`Runnable`对象的形式存在，由于提示词模板生成的`PromptValue`正好使模型的输入，所有两者正好组合成一个LCEL链。

LangChain中的语言模型是一个`Runnable`对象。所有的语言模型类型（包括基于文本补齐的Completion模型和基于多角色参与的Chat模型）都继承自抽象类`BaseLanguageModel`，`BaseChatModel`是所有Chat模型的基类。`ChatOpenAI`的基类`BaseChatOpenAI`就继承自`BaseChatModel`。上篇文`章着重介绍BaseLan

LangChain中的语言模型是一个`Runnable`对象，目前我们已经了解了作为输入的`LanguageModelInput`和作为输出`LanguageModelOutputVar`，现在我们关注它作为Runnable对象是如何执行的。所有的语言模型类型都继承自抽象类`BaseLanguageModel`，派生于它的`BaseChatModel`是所有Chat模型的基类。基于OpenAI的`

在 LangChain 框架中，`PromptValue`是连接提示词模板与语言模型的中间数据层。提示词可以是单纯的字符串文本，还可以是一张图片，它们对应的类型分别为`StringPromptValue`和`ImagePromptValue`。Chat模型的提示词类型继承自`ChatPromptValue`，`ChatPromptValueConcrete`是它的一个子类。ImagePromptV

作为消息的基类，`BaseMessage`利用其`content`字段存储原始的内容，它可以是一个字符串或者字典列表。原始的内容会转换成一个`ContentBlock`列表通过`content_blocks`的属性返回。作为消息的主体内容，它们可以是一段单纯的字符串文本，也可以一段多媒体内容（比如图片、音频和视频）或者一个二进制文件，不同的内容形态对应着相应的ContentBlock类型

Agent开发语境下的模型大体分两种，即传统的文本补齐`Completions模型`和基于多方交谈的`Chat模型`，在LangChain中，它们都继承自如下这个`BaseLanguageModel`抽象类。它继承自`RunnableSerializable`，所以能成为LCEL链上的一环。