提示词模板

提示词模板提供了一种结构化的方式来构建和管理提示词，可以将用户输入的内容格式化后传递给语言模型，帮助模型理解上下文并生成相关且连贯的输出。

其格式为：

固定文本{变量}

通过使用模板将实际值替换这些变量，动态生成最终的提示词。

字符串提示词模板

PromptTemplate提示词模板用于创建简单的提示词，可以内嵌任意数量的变量，通过变量值格式化模板内容。

主要是为标准的文本生成任务设计的，用于生成非对话式的提示词，可以用于各种文本生成任务，例如文本撰写、摘要生成等。

其基础语法格式如下：

PromptTemplate.from_template(
 "固定文本{变量}"
)

# 或
PromptTemplate(
 input_variables=[变量1,...],
 input_types={变量数据类型},
 partial_variables={部分填充},   # 预先填充（部分填充）模板中的某些变量
 template="固定文本:{变量1,...}"
)

示例代码如下：

from langchain_core.prompts import PromptTemplate  # 引入字符串提示词模板

# 定义提示词模板
prompt_template = PromptTemplate.from_template(
    "给我介绍一下{content}是什么？"
)

# 通过变量content变量格式化提示词模板
prompt=prompt_template.format(content="langchain")
print(prompt)

运行结果为：

给我介绍一下langchain是什么？

聊天提示词模板

ChatPromptTemplate提示词模板用于构建聊天对话型应用提示词模板，为对话系统设计，用于生成对话式的提示词。

主要用于聊天机器人、对话模型等需要持续对话的场景。

其语法格式如下：

ChatPromptTemplate.from_messages([
 ("角色名","内容")
])

主要有三种角色：

• system：用来给AI身份进行描述，我们可以设置该角色是什么，例如，人工智能助手，这样它就会把自己当作这样的角色来回答问题；
• human：我们发给AI的消息；
• ai：当前消息是AI回答的消息。

示例代码如下：

from langchain_core.prompts import ChatPromptTemplate  # 引入聊天提示词模板

# 定义提示词模板
prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一位人工智能助手，你的名字是{name}"),
    ("human", "你好"),
    ("ai", "谢谢"),
    ("human", "{user_input}")
])
print(prompt_template.format_messages(name="白巧克力",user_input="你的名字叫什么"))

运行结果如下：

[SystemMessage(content='你是一位人工智能助手，你的名字是白巧克力', additional_kwargs={}, response_metadata={}), HumanMessage(content='你好', additional_kwargs={}, response_metadata={}), AIMessage(content='谢谢', additional_kwargs={}, response_metadata={}), HumanMessage(content='你的名字叫什么', additional_kwargs={}, response_metadata={})]

在运行结果发现，角色system、human、ai分别对应着SystemMessage、HumanMessage、AIMessage。

所以上面代码可以改为：

from langchain_core.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate  # 引入提示词模板
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

# 定义提示词模板
prompt_template = ChatPromptTemplate.from_messages([
 # 使用系统提示词模板
    SystemMessagePromptTemplate.from_template("你是一位人工智能助手，你的名字是{name}"),
    HumanMessage(content="你好"),
    AIMessage(content="谢谢"),
    # 使用人工提示词模板
    HumanMessagePromptTemplate.from_template("{user_input}")
])
print(prompt_template.format_messages(name="白巧克力", user_input="你的名字叫什么"))

当然AI提示词模板也可以通过AIMessagePromptTemplate实现，这里就不编写了。

MessagesPlaceholder

MessagesPlaceholder提示模板可以在特定位置添加内容，其语法格式如下：

MessagesPlaceholder("变量")

示例代码如下：

from langchain_core.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate, \
    MessagesPlaceholder  
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

# 定义提示词模板
prompt_template = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("你是一位人工智能助手，你的名字是{name}"),
    MessagesPlaceholder('msgs'),  # 使用MessagesPlaceholder插入其他角色传入的一组内容
    AIMessage(content="谢谢"),
    HumanMessagePromptTemplate.from_template("{user_input}")
])

print(prompt_template.invoke({"msgs":[HumanMessage(content="你好")],'name':"白巧克力", 'user_input':"你的名字叫什么"}))

运行结果如下：

[SystemMessage(content='你是一位人工智能助手，你的名字是白巧克力', additional_kwargs={}, response_metadata={}), HumanMessage(content='你好', additional_kwargs={}, response_metadata={}), AIMessage(content='谢谢', additional_kwargs={}, response_metadata={}), HumanMessage(content='你的名字叫什么', additional_kwargs={}, response_metadata={})]

少样本提示词模板

少样本提示词模板（FewShotPromptTemplate）是指使用一组少量的示例来让模型更好地理解用户意图，从而更好地回答或执行任务。

例如：

Q：什么是白巧克力？
A：白巧克力是一种零食。

Q：什么是sotnaldcnasfjsl
A：不知道

Q：什么是语言模型？
A：

通过示例告诉模型：Q是问题，A是答案，按这种格式进行问答交互。

其基础语法格式如下：

FewShotPromptTemplate(
    examples=示例,
    example_prompt=提示词模板,
    suffix="Question:{input}",  #  提示词模板最后追加的内容
    input_variables=['input']  #  定义suffix中包含的模板变量
)

示例代码如下：

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
# 示例
examples = [
    {
        "question": "乾隆和曹操谁活得更久？",
        "answer": """
        这里是否需要跟进问题：是的。
        追问：乾隆去世时几岁？
        中间答案：乾隆去世时87岁。
        追问：曹操去世时几岁？
        中间答案：曹操去世时66岁。
        所以最终答案是：乾隆
        """,
    },
    {
        "question": "小米手机的创始人什么时候出生？",
        "answer": """
        这里是否需要跟进问题：是的。
        追问：小米手机的创始人是谁？
        中间答案：小米手机由雷军创立。
        跟进：雷军什么时候出生？
        中间答案：雷军出生于1969年12月16日。
        所以最终的答案是：1969年12月16日。
        """,
    },
    {
        "question": "乔治·华盛顿的外祖父是谁？",
        "answer": """
        这里是否需要跟进问题：是的。
        追问：乔治·华盛顿的母亲是谁？
        中间答案：乔治·华盛顿的母亲是玛丽·鲍尔·华盛顿。
        追问：玛丽·鲍尔·华盛顿的父亲是谁？
        中间答案：玛丽·鲍尔·华盛顿的父亲是约瑟夫·鲍尔
        """,
    }
]
# 提示词模板
example_prompt = PromptTemplate(
    input_variables=["question", "answer"], template="Question:{question}\n{answer}"
)
# 少样本提示词模板
prompt = FewShotPromptTemplate(
    examples=examples,   # 示例样本
    example_prompt=example_prompt, # 提示词模板
    suffix="Question:{input}",  # 提示词模板最后追加的内容
    input_variables=['input']  # 定义suffix中包含的模板变量
)
print(prompt.format(input="乔治·华盛顿的外祖父是谁？"))

运行结果为上面的示例examples。

示例选择器

在使用FewShotPromptTemplate时，把所有示例都提交给大模型，这显然是不合理的，而且调用大模型的token是有限制的。

这时我们可以通过示例选择器ExampleSelector中的SemanticSimilarityExampleSelector类来根据输入的相似性选择小样本示例，避免把所有示例都提交给大模型。

SemanticSimilarityExampleSelector使用了嵌入模型计算输入和小样本示例之间的相似性后，使用向量数据库执行相似搜索，获取与输入相似的示例。

这里我们使用了网络上的文本嵌入模型，获取方式在下面了，大家可以下载：

通过网盘分享的文件：ge-large-zh-v1.5
链接: https://pan.baidu.com/s/1NXsppUk6PjTASb43qno3KA?pwd=bqkl 提取码: bqkl

需要安装：

pip install chromadb
pip install sentence-transformers
pip install langchain_huggingface

其语法格式如下：

SemanticSimilarityExampleSelector.from_examples(
 # 可供选择的示例列表
 examples,
 # 生成嵌入的嵌入类，用于衡量语义相似性
 embeddings,
 # 存储嵌入和执行相似性搜索的VectorStore类
 Chroma,
 # 要生成示例数
 k=1
)

示例代码如下：

from langchain_huggingface import HuggingFaceEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector

# 示例
examples = [
    {
        "question": "乾隆和曹操谁活得更久？",
        "answer": """
        这里是否需要跟进问题：是的。
        追问：乾隆去世时几岁？
        中间答案：乾隆去世时87岁。
        追问：曹操去世时几岁？
        中间答案：曹操去世时66岁。
        所以最终答案是：乾隆
        """,
    },
    {
        "question": "小米手机的创始人什么时候出生？",
        "answer": """
        这里是否需要跟进问题：是的。
        追问：小米手机的创始人是谁？
        中间答案：小米手机由雷军创立。
        跟进：雷军什么时候出生？
        中间答案：雷军出生于1969年12月16日。
        所以最终的答案是：1969年12月16日。
        """,
    },
    {
        "question": "乔治·华盛顿的外祖父是谁？",
        "answer": """
        这里是否需要跟进问题：是的。
        追问：乔治·华盛顿的母亲是谁？
        中间答案：乔治·华盛顿的母亲是玛丽·鲍尔·华盛顿。
        追问：玛丽·鲍尔·华盛顿的父亲是谁？
        中间答案：玛丽·鲍尔·华盛顿的父亲是约瑟夫·鲍尔
        """,
    }
]

# 模型
embeddings_path = "F:\model\ge-large-zh-v1.5"
# 加载、预训练模型生成文本嵌入类
embeddings = HuggingFaceEmbeddings(model_name=embeddings_path)

# 使用示例选择器
example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples,
    embeddings,
    Chroma,
    k=1
)
question = '小米手机的创始人是谁'
selected_examples = example_selector.select_examples({"question": question})
print(f"最相似的示例：{question}")
for exmaple in selected_examples:
    print("\\n")
    for k,v in exmaple.items():
        print(f'{k}：{v}')

运行结果如下：

这样就可以获取到最相似问题的示例。

接着就可以通过FewShotPromptTemplate将一组示例传递给模型，让模型更好地理解用户意图，从而更好地回答或执行任务。

示例代码如下：

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 提示词模板
example_prompt = PromptTemplate(
    input_variables=["question", "answer"], template="Question:{question}\n{answer}"
)

# 少样本提示词模板
prompt = FewShotPromptTemplate(
    example_selector=example_selector,        # 示例样本
    example_prompt=example_prompt,  # 提示词模板
    suffix="Question:{input}",     # 提示词模板最后追加的内容
    input_variables=['input']      # 定义suffix中包含的模板变量
)

print(prompt.format(input="乔治·华盛顿的外祖父是谁？"))

好了，LangChain教程——提示词模板就讲到这里了，下一篇我们学习LangChain教程——输出解析器。