跟我学LangChain：提示词模板，PromptTemplate包装器，工程化管理你的提示词

from langchain import PromptTemplate
template = """你是一个旅游专家，请根据用户提出的描述：{msg}，给出建议。"""
# 实例化模板的第一种方式prompt = PromptTemplate(template=template, input_variables=["msg"])# 实例化模板的第二种方式# prompt = PromptTemplate.from_template(template)
# 将用户的输入通过 format 方法嵌入提示词模板，并且做格式化处理final_prompt = prompt.format(msg="xxx")print(final_prompt)

from langchain.prompts import (    ChatPromptTemplate,    PromptTemplate,    SystemMessagePromptTemplate,    AIMessagePromptTemplate,    HumanMessagePromptTemplate)
template = """你是一个旅游专家。"""
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template = "请根据用户提出的描述：{msg}，给出建议"human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages([        system_message_prompt,        human_message_prompt    ])
final_prompt = chat_prompt.format_prompt(msg="xxx")
print(final_prompt.to_string())

from langchain.prompts import FewShotPromptTemplate
template = """词语：{input},反义词是：{output}"""
example_prompt = PromptTemplate(template=template, input_variables=["input", "output"])
examples = [    {"input": "高", "output": "矮"},    {"input": "胖", "output": "瘦"},    {"input": "黑", "output": "白"},]
few_shot_prompt = FewShotPromptTemplate(    examples=examples,    example_prompt=example_prompt,    prefix="来玩个游戏，我说正义词，你回答它的反义词",    suffix="现在轮到你了，正义词：{input}，反义词",    input_variables=["input"])
final_prompt = few_shot_prompt.format(input="高")print(final_prompt)

from langchain.prompts import PromptTemplate
# 1. 角色定义模板：定义助手的基本身份和风格role_template = """你是一名{company}的{style}技术支持专家。你必须根据提供的产品知识库和对话历史来回答问题。如果知识库中没有相关信息，请如实告知，切勿编造。"""
role_prompt = PromptTemplate.from_template(role_template)
# 2. 知识库模板：从外部系统查询并注入相关知识kb_template = """【相关产品知识】{knowledge_base}"""
kb_prompt = PromptTemplate.from_template(kb_template)
# 3. 历史对话模板：管理多轮对话的上下文history_template = """【对话历史】{dialog_history}"""
history_prompt = PromptTemplate.from_template(history_template)
# 4. 当前问题模板：格式化用户的最新输入question_template = """【用户当前问题】{human_input}"""
question_prompt = PromptTemplate.from_template(question_template)
# 定义最终提示的“总装图纸”final_template = """{role_instruction}{knowledge_context}{conversation_context}请基于以上信息，专业、清晰地回答用户问题：{final_question}"""
final_prompt = PromptTemplate.from_template(final_template)
# 创建 PipelinePromptTemplate，建立子模板到最终模板变量的映射关系from langchain.prompts import PipelinePromptTemplate
pipeline_prompt = PipelinePromptTemplate(final_prompt=final_prompt, # 指定最终组装的模板pipeline_prompts=[# 格式: (在final_prompt中的变量名, 对应的子模板)        ("role_instruction", role_prompt),        ("knowledge_context", kb_prompt),        ("conversation_context", history_prompt),        ("final_question", question_prompt)    ])# 准备输入变量（通常来自应用的不同模块）input_data = {  "company": "天颖科技",  "style": "耐心且专业",  "knowledge_base": "产品‘天颖AI’支持OCR等功能。最新版本为v2。",  "dialog_history": "用户：天颖AI支持什么功能？\n助手：支持图生图功能。",  "human_input": "那它的最新版本是多少？"}
# 格式化管道提示，引擎会自动按顺序调用所有子模板并组装full_prompt_text = pipeline_prompt.format(**input_data)print(full_prompt_text)