【LangChain指南】样例选择器（Example selectors）

在我们构建大语言模型应用时，经常会用到 Few-Shot Prompting（少样本提示），也就是在给模型的提示词（Prompt）中放入几个输入-输出的例子，来引导模型理解我们想要它完成的任务。比如，告诉它“happy”的反义词是“sad”，“tall”的反义词是“short”，然后让它去推理“large”的反义词。
但是，当我们手头有成百上千个例子时，不可能把它们全部塞进一个Prompt里。一方面，会超出模型的上下文窗口（Context Window）长度限制；另一方面，塞入不相关或冗余的例子，反而会干扰模型，降低其表现。

这就是 Example Selector 大显身手的地方！

它的核心作用就是：根据当前的用户输入，从海量的示例库中，智能地挑选出最相关、最有帮助的几个例子，动态地构建Prompt。

---

一、基础概念与自定义选择器

首先，我们来看最基础的概念。所有的 Example Selector 都需要实现一个核心方法：select_examples。这个方法接收用户的输入（一个字典），然后返回一个选中的例子列表。

我们可以自己动手写一个简单的选择器。比如，我们写一个根据单词长度来选择最接近例子的选择器。

from langchain_core.example_selectors.base import BaseExampleSelector# 我们的示例库：英文到意大利文的翻译
examples = [{"input": "hi", "output": "ciao"},{"input": "bye", "output": "arrivederci"},{"input": "soccer", "output": "calcio"},
]class LengthBasedExampleSelector(BaseExampleSelector):def __init__(self, examples):self.examples = examplesdef add_example(self, example):"""允许动态添加新例子"""self.examples.append(example)def select_examples(self, input_variables):"""选择与输入单词长度最接近的例子"""target_word = input_variables["input"]target_length = len(target_word)best_example = Nonesmallest_diff = float("inf")for example in self.examples:current_diff = abs(len(example["input"]) - target_length)if current_diff < smallest_diff:smallest_diff = current_diffbest_example = examplereturn [best_example]  # 返回一个列表# 实例化我们的选择器
selector = LengthBasedExampleSelector(examples)# 测试：输入 "okay" (长度为4)
print(selector.select_examples({"input": "okay"}))
# 输出: [{'input': 'bye', 'output': 'arrivederci'}] (bye 长度为3，最接近4)# 添加一个新例子 "hand" -> "mano" (长度为4)
selector.add_example({"input": "hand", "output": "mano"})
print