1. 从手写 API 到 LangChainModel I/O 到底解决什么问题如果你已经能自己用 requests 或 openai SDK 调通大模型接口接下来大概率会遇到一个尴尬每换一家模型就要重写一遍调用代码Prompt 越写越长字符串拼接开始失控模型返回一段带解释的 JSON你还得写正则去抠。LangChain 的 Model I/O 就是冲着这些重复劳动来的它把「提示词 → 模型 → 输出解析」这条链路抽象成三个可替换的组件让你把精力放在业务逻辑上。这篇面向的是有 Python 基础、想从零搭一套大模型应用开发框架的开发者。我会用 TaoToken 作为统一的 Key 和 API 通道把 PromptTemplate、ChatModel、OutputParser 以及 LCEL 管道串起来最后交付一份可复制的 config 骨架和 settings.json 片段并做一次端到端调用验证。整套流程跑通后你换模型只需要改配置里的一行业务代码基本不动。需要提前说明的是LangChain 的版本迭代很快本文基于 v1.x 的接口习惯编写。如果你本地是更早的版本部分导入路径可能不同建议先升级到较新的稳定版再跟着操作。下面所有代码都可以直接复制运行唯一需要你替换的是自己的 API Key。2. TaoToken 前置准备统一 Key 与 API 通道2.1 为什么用统一通道而不是直连各家原生 SDK 的痛点在于「一家一套写法」。DeepSeek 用https://api.deepseek.com通义用 dashscope 的兼容地址智谱又是另一个域名。业务里同时对接三家就要维护三套 client 初始化、三套错误处理、三套重试逻辑。TaoToken 提供的是 OpenAI 兼容的统一入口你只需要记住一个 base_url 和一个 Key模型名通过参数切换LangChain 侧完全感知不到底层差异。对 LangChain 来说这一点尤其重要ChatOpenAI这个类本身就支持自定义base_url所以只要通道是 OpenAI 兼容的就能直接接进来不需要额外的集成包。2.2 获取 Key 与确认接入信息先到控制台创建 API Key建议按项目命名方便后续轮换和排查。控制台入口https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentconsoleAPI Key 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi-keys接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdocAPI 的基础地址是https://taotoken.net/api注意这个地址不带任何查询参数直接作为base_url使用即可。Key 拿到后不要硬编码进代码后面我会用环境变量和配置文件两种方式管理。注意Key 属于敏感凭证提交到 Git 仓库前务必确认已在.gitignore中排除.env和本地配置文件。2.3 安装依赖LangChain 拆包比较细核心库和 OpenAI 兼容集成包要分开装。建议在虚拟环境里操作避免污染全局。python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install -U langchain langchain-openai python-dotenv pydanticlangchain提供 PromptTemplate、OutputParser 和 LCEL 运行时langchain-openai提供 ChatOpenAI 这个模型封装python-dotenv用来读环境变量pydantic用于定义结构化输出的数据模型。装完后可以用pip show langchain确认版本避免装到过老的包。3. 可复制配置config 骨架与 settings.json3.1 目录结构我习惯把配置和业务代码分开这样换环境时只动配置目录。一个够用的骨架如下llm-app/ ├── config/ │ ├── settings.json │ └── loader.py ├── chains/ │ └── review_chain.py ├── .env └── main.py3.2 settings.json 配置片段把模型参数、通道地址、默认模型名都放进 JSON代码里只读不写死。下面这份可以直接用{ provider: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, timeout: 60, max_retries: 2 }, models: { default: gpt-4o-mini, fast: gpt-4o-mini, strong: gpt-4o }, generation: { temperature: 0.3, max_tokens: 1024 } }这里api_key_env存的是环境变量名而不是 Key 本身代码运行时再去读环境变量这样配置文件可以安全地进版本库。.env里只写一行TAOTOKEN_API_KEY你的Key3.3 配置加载器config/loader.py负责把 JSON 读成字典并做一次基础校验避免 Key 缺失时跑到一半才报错import json import os from pathlib import Path from dotenv import load_dotenv load_dotenv() CONFIG_PATH Path(__file__).parent / settings.json def load_settings() - dict: with open(CONFIG_PATH, r, encodingutf-8) as f: cfg json.load(f) env_name cfg[provider][api_key_env] api_key os.getenv(env_name) if not api_key: raise RuntimeError(f环境变量 {env_name} 未设置请检查 .env 文件) cfg[provider][api_key] api_key return cfg if __name__ __main__: s load_settings() print(base_url:, s[provider][base_url]) print(default model:, s[models][default])运行python config/loader.py如果打印出 base_url 和模型名说明配置链路是通的。这一步看着简单但能帮你把「Key 没读到」这类低级问题提前挡掉。4. Model I/O 三件套PromptTemplate、ChatModel、OutputParser4.1 用 ChatOpenAI 接入统一通道有了配置模型初始化就三行。注意base_url指向 TaoToken 的 API 地址model从配置里取from langchain_openai import ChatOpenAI from config.loader import load_settings settings load_settings() provider settings[provider] gen settings[generation] llm ChatOpenAI( modelsettings[models][default], api_keyprovider[api_key], base_urlprovider[base_url], temperaturegen[temperature], max_tokensgen[max_tokens], timeoutprovider[timeout], max_retriesprovider[max_retries], ) resp llm.invoke(用一句话说明什么是大模型应用开发框架) print(resp.content)invoke是最基础的同步调用返回的是一个 AIMessage 对象正文在.content里。LangChain 还提供stream做流式、batch做批量、ainvoke做异步接口签名一致切换成本很低。4.2 PromptTemplate把提示词变成可维护的模板字符串拼接在提示词简单时没问题一旦包含角色、背景、格式要求、示例就会变成一坨。PromptTemplate 用{变量名}占位把提示词和运行时数据解耦from langchain_core.prompts import PromptTemplate review_prompt PromptTemplate( input_variables[product, review], template( 你是一位电商运营分析师。\n 请分析以下关于「{product}」的用户评论 判断情感倾向并给出改进建议。\n 评论内容{review} ), ) text review_prompt.format(product无线耳机, review音质不错但续航太短了) print(text)对话场景更适合用ChatPromptTemplate它按角色组织消息和 ChatModel 的输入格式天然对齐from langchain_core.prompts import ChatPromptTemplate chat_prompt ChatPromptTemplate.from_messages([ (system, 你是一位{role}回答要{style}。), (human, {question}), ]) messages chat_prompt.format_messages( role资深后端工程师, style简洁并给出代码示例, questionPython 里怎么优雅地合并两个字典, ) print(messages)4.3 OutputParser让模型返回结构化数据模型默认返回自然语言但业务往往要 JSON。JsonOutputParser 会自动往提示词里注入格式说明并把模型输出解析成 Python 字典from langchain_core.output_parsers import JsonOutputParser from pydantic import BaseModel, Field class ReviewResult(BaseModel): sentiment: str Field(description情感倾向正面/负面/中立) keywords: list[str] Field(description三个关键词) suggestion: str Field(description一句改进建议) parser JsonOutputParser(pydantic_objectReviewResult) print(parser.get_format_instructions())get_format_instructions()返回的是一段格式说明文本把它塞进提示词模型就知道该按什么结构输出。如果只需要纯文本用StrOutputParser即可它基本是原样透传。5. LCEL 串联与端到端验证5.1 用管道符把组件串起来LCEL 的核心就是|。左边组件的输出作为右边组件的输入整条链可以像函数一样invokefrom langchain_core.output_parsers import StrOutputParser chain review_prompt | llm | StrOutputParser() result chain.invoke({product: 无线耳机, review: 音质不错但续航太短了}) print(result)换成结构化输出把最后的 StrOutputParser 换成 JsonOutputParser 就行structured_chain review_prompt | llm | parser data structured_chain.invoke({ product: 无线耳机, review: 音质不错但续航太短了客服态度也一般 }) print(type(data), data)5.2 一次完整的端到端验证把上面的片段整合成main.py跑一次完整链路。这段代码同时验证了配置加载、模型接入、模板渲染、LCEL 串联和输出解析五个环节from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import JsonOutputParser from pydantic import BaseModel, Field from config.loader import load_settings class Analysis(BaseModel): sentiment: str Field(description情感倾向) keywords: list[str] Field(description关键词列表) summary: str Field(description一句话总结) def build_chain(): settings load_settings() provider settings[provider] llm ChatOpenAI( modelsettings[models][default], api_keyprovider[api_key], base_urlprovider[base_url], temperature0.2, ) parser JsonOutputParser(pydantic_objectAnalysis) prompt ChatPromptTemplate.from_messages([ (system, 你是文本分析助手只输出 JSON。), (human, 分析以下评论{review}\n\n{format}), ]).partial(formatparser.get_format_instructions()) return prompt | llm | parser if __name__ __main__: chain build_chain() out chain.invoke({review: 包装很用心物流快就是价格偏高。}) print(out) assert sentiment in out and keywords in out print(端到端验证通过)预期输出是一个字典包含 sentiment、keywords、summary 三个字段最后打印「端到端验证通过」。如果这一步成功说明你的 Model I/O 链路已经完全打通后面接 RAG、Agent 都只是在这条链上继续加组件。5.3 流式输出对话类应用通常要边生成边显示LCEL 链同样支持streamstream_chain chat_prompt | llm | StrOutputParser() for chunk in stream_chain.stream({ role: 科普作者, style: 通俗易懂, question: 解释一下什么是向量数据库 }): print(chunk, end, flushTrue)6. 本篇常见报错排查6.1 401 或鉴权失败最常见的原因是环境变量没读到。先确认.env和loader.py在同一工作目录下被执行再确认api_key_env里的变量名和.env中的完全一致大小写敏感。如果 Key 是从控制台复制的注意别把首尾空格带进去。6.2 404 或模型不存在多半是base_url写错了。TaoToken 的 API 地址是https://taotoken.net/api不要在后面手动拼/v1或/chat/completionsLangChain 的 OpenAI 集成会自动补路径。模型名也要和通道支持的名称一致写错会直接返回模型不存在。6.3 JSON 解析失败JsonOutputParser 报解析错误通常是模型输出里混了 Markdown 代码块标记比如 json。解决办法有两个一是在 system 提示里明确「只输出 JSON不要加代码块标记」二是换用更强的模型弱模型在长提示下更容易跑偏。另外temperature调低到 0.2 以下也能明显降低格式漂移。6.4 导入路径报错LangChain v1.x 把很多类挪到了langchain_core。如果你写from langchain.prompts import PromptTemplate报错改成from langchain_core.prompts import PromptTemplate。模型类统一从langchain_openai导入解析器从langchain_core.output_parsers导入记住这个规律能省不少查文档的时间。6.5 超时或连接中断长文本生成容易触发超时。在 ChatOpenAI 里显式设置timeout和max_retries配置里已经预留了这两个字段。如果批量调用频繁失败把batch的并发降下来或者改用异步abatch配合信号量控制并发数。7. 下一步把链路接到真实业务链路跑通之后你可以按需扩展。想验证不同模型在同一提示下的表现差异可以直接在模型对话页里对比输出省去改代码的来回https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentchat如果你打算把这条链用到长期编码或 Agent 场景需要更稳定的额度和更完整的调用能力可以了解 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-plan接入过程中遇到报错优先翻接入文档里的错误码说明大部分问题都能对上号https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc我自己的习惯是每加一个新组件就先写一个最小invoke验证确认输入输出格式对得上再往链里塞。Model I/O 这条链是所有上层能力的地基地基稳了后面接检索、接工具、接记忆都不会太痛苦。
1. 从手写 API 到 LangChainModel I/O 到底解决什么问题如果你已经能自己用 requests 或 openai SDK 调通大模型接口接下来大概率会遇到一个尴尬每换一家模型就要重写一遍调用代码Prompt 越写越长字符串拼接开始失控模型返回一段带解释的 JSON你还得写正则去抠。LangChain 的 Model I/O 就是冲着这些重复劳动来的它把「提示词 → 模型 → 输出解析」这条链路抽象成三个可替换的组件让你把精力放在业务逻辑上。这篇面向的是有 Python 基础、想从零搭一套大模型应用开发框架的开发者。我会用 TaoToken 作为统一的 Key 和 API 通道把 PromptTemplate、ChatModel、OutputParser 以及 LCEL 管道串起来最后交付一份可复制的 config 骨架和 settings.json 片段并做一次端到端调用验证。整套流程跑通后你换模型只需要改配置里的一行业务代码基本不动。需要提前说明的是LangChain 的版本迭代很快本文基于 v1.x 的接口习惯编写。如果你本地是更早的版本部分导入路径可能不同建议先升级到较新的稳定版再跟着操作。下面所有代码都可以直接复制运行唯一需要你替换的是自己的 API Key。2. TaoToken 前置准备统一 Key 与 API 通道2.1 为什么用统一通道而不是直连各家原生 SDK 的痛点在于「一家一套写法」。DeepSeek 用https://api.deepseek.com通义用 dashscope 的兼容地址智谱又是另一个域名。业务里同时对接三家就要维护三套 client 初始化、三套错误处理、三套重试逻辑。TaoToken 提供的是 OpenAI 兼容的统一入口你只需要记住一个 base_url 和一个 Key模型名通过参数切换LangChain 侧完全感知不到底层差异。对 LangChain 来说这一点尤其重要ChatOpenAI这个类本身就支持自定义base_url所以只要通道是 OpenAI 兼容的就能直接接进来不需要额外的集成包。2.2 获取 Key 与确认接入信息先到控制台创建 API Key建议按项目命名方便后续轮换和排查。控制台入口https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentconsoleAPI Key 管理https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi-keys接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdocAPI 的基础地址是https://taotoken.net/api注意这个地址不带任何查询参数直接作为base_url使用即可。Key 拿到后不要硬编码进代码后面我会用环境变量和配置文件两种方式管理。注意Key 属于敏感凭证提交到 Git 仓库前务必确认已在.gitignore中排除.env和本地配置文件。2.3 安装依赖LangChain 拆包比较细核心库和 OpenAI 兼容集成包要分开装。建议在虚拟环境里操作避免污染全局。python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install -U langchain langchain-openai python-dotenv pydanticlangchain提供 PromptTemplate、OutputParser 和 LCEL 运行时langchain-openai提供 ChatOpenAI 这个模型封装python-dotenv用来读环境变量pydantic用于定义结构化输出的数据模型。装完后可以用pip show langchain确认版本避免装到过老的包。3. 可复制配置config 骨架与 settings.json3.1 目录结构我习惯把配置和业务代码分开这样换环境时只动配置目录。一个够用的骨架如下llm-app/ ├── config/ │ ├── settings.json │ └── loader.py ├── chains/ │ └── review_chain.py ├── .env └── main.py3.2 settings.json 配置片段把模型参数、通道地址、默认模型名都放进 JSON代码里只读不写死。下面这份可以直接用{ provider: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY, timeout: 60, max_retries: 2 }, models: { default: gpt-4o-mini, fast: gpt-4o-mini, strong: gpt-4o }, generation: { temperature: 0.3, max_tokens: 1024 } }这里api_key_env存的是环境变量名而不是 Key 本身代码运行时再去读环境变量这样配置文件可以安全地进版本库。.env里只写一行TAOTOKEN_API_KEY你的Key3.3 配置加载器config/loader.py负责把 JSON 读成字典并做一次基础校验避免 Key 缺失时跑到一半才报错import json import os from pathlib import Path from dotenv import load_dotenv load_dotenv() CONFIG_PATH Path(__file__).parent / settings.json def load_settings() - dict: with open(CONFIG_PATH, r, encodingutf-8) as f: cfg json.load(f) env_name cfg[provider][api_key_env] api_key os.getenv(env_name) if not api_key: raise RuntimeError(f环境变量 {env_name} 未设置请检查 .env 文件) cfg[provider][api_key] api_key return cfg if __name__ __main__: s load_settings() print(base_url:, s[provider][base_url]) print(default model:, s[models][default])运行python config/loader.py如果打印出 base_url 和模型名说明配置链路是通的。这一步看着简单但能帮你把「Key 没读到」这类低级问题提前挡掉。4. Model I/O 三件套PromptTemplate、ChatModel、OutputParser4.1 用 ChatOpenAI 接入统一通道有了配置模型初始化就三行。注意base_url指向 TaoToken 的 API 地址model从配置里取from langchain_openai import ChatOpenAI from config.loader import load_settings settings load_settings() provider settings[provider] gen settings[generation] llm ChatOpenAI( modelsettings[models][default], api_keyprovider[api_key], base_urlprovider[base_url], temperaturegen[temperature], max_tokensgen[max_tokens], timeoutprovider[timeout], max_retriesprovider[max_retries], ) resp llm.invoke(用一句话说明什么是大模型应用开发框架) print(resp.content)invoke是最基础的同步调用返回的是一个 AIMessage 对象正文在.content里。LangChain 还提供stream做流式、batch做批量、ainvoke做异步接口签名一致切换成本很低。4.2 PromptTemplate把提示词变成可维护的模板字符串拼接在提示词简单时没问题一旦包含角色、背景、格式要求、示例就会变成一坨。PromptTemplate 用{变量名}占位把提示词和运行时数据解耦from langchain_core.prompts import PromptTemplate review_prompt PromptTemplate( input_variables[product, review], template( 你是一位电商运营分析师。\n 请分析以下关于「{product}」的用户评论 判断情感倾向并给出改进建议。\n 评论内容{review} ), ) text review_prompt.format(product无线耳机, review音质不错但续航太短了) print(text)对话场景更适合用ChatPromptTemplate它按角色组织消息和 ChatModel 的输入格式天然对齐from langchain_core.prompts import ChatPromptTemplate chat_prompt ChatPromptTemplate.from_messages([ (system, 你是一位{role}回答要{style}。), (human, {question}), ]) messages chat_prompt.format_messages( role资深后端工程师, style简洁并给出代码示例, questionPython 里怎么优雅地合并两个字典, ) print(messages)4.3 OutputParser让模型返回结构化数据模型默认返回自然语言但业务往往要 JSON。JsonOutputParser 会自动往提示词里注入格式说明并把模型输出解析成 Python 字典from langchain_core.output_parsers import JsonOutputParser from pydantic import BaseModel, Field class ReviewResult(BaseModel): sentiment: str Field(description情感倾向正面/负面/中立) keywords: list[str] Field(description三个关键词) suggestion: str Field(description一句改进建议) parser JsonOutputParser(pydantic_objectReviewResult) print(parser.get_format_instructions())get_format_instructions()返回的是一段格式说明文本把它塞进提示词模型就知道该按什么结构输出。如果只需要纯文本用StrOutputParser即可它基本是原样透传。5. LCEL 串联与端到端验证5.1 用管道符把组件串起来LCEL 的核心就是|。左边组件的输出作为右边组件的输入整条链可以像函数一样invokefrom langchain_core.output_parsers import StrOutputParser chain review_prompt | llm | StrOutputParser() result chain.invoke({product: 无线耳机, review: 音质不错但续航太短了}) print(result)换成结构化输出把最后的 StrOutputParser 换成 JsonOutputParser 就行structured_chain review_prompt | llm | parser data structured_chain.invoke({ product: 无线耳机, review: 音质不错但续航太短了客服态度也一般 }) print(type(data), data)5.2 一次完整的端到端验证把上面的片段整合成main.py跑一次完整链路。这段代码同时验证了配置加载、模型接入、模板渲染、LCEL 串联和输出解析五个环节from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import JsonOutputParser from pydantic import BaseModel, Field from config.loader import load_settings class Analysis(BaseModel): sentiment: str Field(description情感倾向) keywords: list[str] Field(description关键词列表) summary: str Field(description一句话总结) def build_chain(): settings load_settings() provider settings[provider] llm ChatOpenAI( modelsettings[models][default], api_keyprovider[api_key], base_urlprovider[base_url], temperature0.2, ) parser JsonOutputParser(pydantic_objectAnalysis) prompt ChatPromptTemplate.from_messages([ (system, 你是文本分析助手只输出 JSON。), (human, 分析以下评论{review}\n\n{format}), ]).partial(formatparser.get_format_instructions()) return prompt | llm | parser if __name__ __main__: chain build_chain() out chain.invoke({review: 包装很用心物流快就是价格偏高。}) print(out) assert sentiment in out and keywords in out print(端到端验证通过)预期输出是一个字典包含 sentiment、keywords、summary 三个字段最后打印「端到端验证通过」。如果这一步成功说明你的 Model I/O 链路已经完全打通后面接 RAG、Agent 都只是在这条链上继续加组件。5.3 流式输出对话类应用通常要边生成边显示LCEL 链同样支持streamstream_chain chat_prompt | llm | StrOutputParser() for chunk in stream_chain.stream({ role: 科普作者, style: 通俗易懂, question: 解释一下什么是向量数据库 }): print(chunk, end, flushTrue)6. 本篇常见报错排查6.1 401 或鉴权失败最常见的原因是环境变量没读到。先确认.env和loader.py在同一工作目录下被执行再确认api_key_env里的变量名和.env中的完全一致大小写敏感。如果 Key 是从控制台复制的注意别把首尾空格带进去。6.2 404 或模型不存在多半是base_url写错了。TaoToken 的 API 地址是https://taotoken.net/api不要在后面手动拼/v1或/chat/completionsLangChain 的 OpenAI 集成会自动补路径。模型名也要和通道支持的名称一致写错会直接返回模型不存在。6.3 JSON 解析失败JsonOutputParser 报解析错误通常是模型输出里混了 Markdown 代码块标记比如 json。解决办法有两个一是在 system 提示里明确「只输出 JSON不要加代码块标记」二是换用更强的模型弱模型在长提示下更容易跑偏。另外temperature调低到 0.2 以下也能明显降低格式漂移。6.4 导入路径报错LangChain v1.x 把很多类挪到了langchain_core。如果你写from langchain.prompts import PromptTemplate报错改成from langchain_core.prompts import PromptTemplate。模型类统一从langchain_openai导入解析器从langchain_core.output_parsers导入记住这个规律能省不少查文档的时间。6.5 超时或连接中断长文本生成容易触发超时。在 ChatOpenAI 里显式设置timeout和max_retries配置里已经预留了这两个字段。如果批量调用频繁失败把batch的并发降下来或者改用异步abatch配合信号量控制并发数。7. 下一步把链路接到真实业务链路跑通之后你可以按需扩展。想验证不同模型在同一提示下的表现差异可以直接在模型对话页里对比输出省去改代码的来回https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentchat如果你打算把这条链用到长期编码或 Agent 场景需要更稳定的额度和更完整的调用能力可以了解 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-plan接入过程中遇到报错优先翻接入文档里的错误码说明大部分问题都能对上号https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc我自己的习惯是每加一个新组件就先写一个最小invoke验证确认输入输出格式对得上再往链里塞。Model I/O 这条链是所有上层能力的地基地基稳了后面接检索、接工具、接记忆都不会太痛苦。
