Model I/O

Format：像下单前把需求写清楚，例如要不要辣、几人份、送到哪里。你写得越清楚，模型越不容易答偏。
Predict：像把订单交给餐厅处理。你可以换不同餐厅（不同模型），但你希望下单方式尽量统一。
Parse：像外卖到了之后先分装、贴标签。原始回答可能很长，但系统往往需要结构化的数据才能继续处理。

模型： qwen-plus、deepseek-chat、glm-4
模型提供商： 阿里百炼、DeepSeek、OpenAI、智谱
langchain模型对象： 代码里创建的ChatDeepSeek(...) 或 init_chat_model(...)实例返回的对象

LangChain 常见模型分类
    LLM    	纯文本字符串	文本字符串	更偏传统“文本补全”接口，无天然多角色结构	单轮生成、摘要、改写、补全
    Chat Model	字符串或消息列表	AIMessage	更贴近对话，支持多角色消息与更丰富元数据	智能助手、客服、多轮对话、Agent
    Embeddings	文本或文本列表	向量	把文本转成语义向量，不负责生成文本	RAG、检索、相似度计算、聚类
  

常用模型参数：

  

参数名	作用	解释
model	模型名称
model_provider	模型提供商
api_key	密钥
base_url	接口地址
temperature	随机性/创造性控制	越低越稳定，越高越发散
max_tokens	最大生成长度	回答最多生成多少 token，也影响费用
timeout	超时时间	请求最长等多久
max_retries	失败重试次数	临时异常时自动重试几次
stop	停止词	生成到某些位置时强制停止

• temperature 管“风格和发散度”
• max_tokens 管“长度和成本”

在真实项目里，这两个参数经常是最先调的。

参数怎么调更贴近实际项目：

• 客服问答 / 规则回答 / 翻译：temperature 往往设低一些，例如 0～0.3
• 知识问答 / 通用助手：可设在 0.2～0.7
• 文案、创意写作、头脑风暴：可适当更高，例如 0.8～1.2

max_tokens 的使用也一样：

• 如果只是简短问答，可以限制小一点，避免无意义长回答
• 如果是总结、分析、长文输出，可以适当放大