【LangChain】LangChain Model 模型分类

LangChain Model 模型

LangChain的Model I/O模块是与大语言模型（LLM）交互的核心，它将各类模型抽象为三种主要类型，方便开发者统一调用。下面这个表格总结了它们的主要特点和应用场景。

模型类型	核心功能	输入格式	输出格式	典型应用场景
LLMs (非对话模型)	文本补全与生成	文本字符串	文本字符串	文案创作、翻译、代码补全等单次任务
Chat Models (对话模型)	多轮对话交互	结构化消息列表	结构化消息 (如AIMessage)	客服机器人、多轮对话助手
Embedding Models (嵌入模型)	文本向量化表示	文本	浮点数列表 (向量)	语义搜索、文档聚类、RAG系统

💬 LLMs (非对话模型)

LLMs，也称为Text Model（文本模型），是许多语言模型应用的支柱。它们专为单次、独立的文本生成任务设计。

• 核心特点：每次调用都是独立的，模型不保留上下文记忆，输入和输出都是简单的文本字符串。
• 适用场景：适用于不需要历史对话上下文的场景，例如内容摘要、翻译、代码生成、单次问答等。
• 典型模型：如OpenAI的text-davinci-003，以及通过Llama.cpp运行的本地模型等。

💬 Chat Models (对话模型)

Chat Models底层虽然也基于LLMs，但专门针对多轮对话场景进行了优化和封装。

• 核心特点：输入和输出都是结构化的消息对象，例如SystemMessage（系统消息）、HumanMessage（用户消息）和AIMessage（AI消息）。这种设计使得模型能够自然地维护和理解多轮对话的上下文。
• 适用场景：非常适合构建智能客服、聊天机器人等需要根据历史对话进行回复的应用。
• 典型模型：如ChatOpenAI (GPT系列)、ChatAnthropic (Claude系列) 以及ChatOllama (用于本地模型) 等。

🔢 Embedding Models (嵌入模型)

Embedd