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；
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。
粤ICP备14082021号
免费POC，
零成本试错
