当前位置： 首页 > news >正文

【LangChain】P13 LangChain 提示词模板深度解析（四）：MessagePlaceholder 与少量样本示例详解

news 2025/10/6 12:49:12

目录

  • MessagePlaceholder：动态消息占位符
    • 什么是 MessagePlaceholder？
    • 基础用法
    • 对话历史管理场景
  • 少量样本示例：提升模型表现的关键技术
    • 为什么需要 Few-Shot Learning？
  • FewShotPromptTemplate：基础文本场景
    • 完整示例
    • 复杂示例：多变量场景
  • FewShotChatMessagePromptTemplate：对话场景优化
    • 完整示例
    • 如何选择?
  • Example Selectors：智能示例选择器
    • 为什么需要示例选择器？
    • 三种选择策略
      • 1. 语义相似选择（Semantic Similarity）
      • 2. 长度选择（Length-Based Selection）
      • 3. 最大边际相关选择（MMR）
    • 使用 FAISS 的完整示例
  • 最佳实践建议
    • 1. 选择合适的工具
    • 2. 优化示例质量
    • 3. 控制 Token 消耗
    • 4. 性能与效果平衡
  • 总结

在这里插入图片描述

接续我们 LangChain 系列博文内容，本节博文将继续围绕提示词模板的深度使用展开。本博文将深入探讨 MessagePlaceholder 和少量样本示例（Few-Shot Learning）的使用方法。

MessagePlaceholder：动态消息占位符

什么是 MessagePlaceholder？

在实际应用中，我们经常会遇到这样的场景：提示词模板中的消息类型和数量不确定，或者需要在运行时动态插入一系列历史对话。MessagePlaceholder 就是为解决这类问题而设计的，它可以在提示词模板的特定位置插入消息列表。

基础用法

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.prompts.chat import MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage# 创建包含 MessagePlaceholder 的提示模板
chat_prompt_template = ChatPromptTemplate.from_messages([("system", "你是一个AI助手,你的名字叫{name}"),MessagesPlaceholder(variable_name="msgs")
])# 调用时传入消息列表
prompt_value = chat_prompt_template.invoke(input={"name": "小智","msgs": [HumanMessage(content="我的问题是1+2*3=?"), AIMessage(content="1+2*3=7")]
})

对话历史管理场景

MessagePlaceholder 在处理多轮对话时特别有用:

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderprompt = ChatPromptTemplate.from_messages([("system", "you are a helpful assistant"),MessagesPlaceholder(variable_name="history"),("human", "{question}")
])# 传入对话历史
prompt_value = prompt.invoke(input={"history": [("human", "what is 5+2?"), ("ai", "5 + 2 is 7")],"question": "我刚才问的问题是什么?"
})

这种方式让我们能够轻松管理对话上下文，无需手动拼接消息。

少量样本示例：提升模型表现的关键技术

为什么需要 Few-Shot Learning？

少量样本示例（Few-Shot）是一种简单但强大的技术，通过在提示词中提供少量示例，可以显著提升大模型的性能和输出质量。

相比于零样本（Zero-Shot），Few-Shot 能够:

  • 明确输出格式： 让模型理解期望的输出结构
  • 统一风格： 确保输出符合特定的语言风格
  • 提高准确性： 通过示例引导模型更好地理解任务

在 LangChain 中，常用的三项相关 Few-Shot 方法，与 PromptTemplate 以及 ChatPromptTemplate 结合。本博文剩余内容，将围绕这三种方法展开，提供完整示例与解析。

  • FewShotPromptTemplate
  • FewShotChatMessagePromptTemplate
  • Example Selector（示例选择器）

FewShotPromptTemplate：基础文本场景

FewShotPromptTemplate 适合处理基础的文本生成任务，需要与 PromptTemplate 配合使用。

完整示例

import os
import dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate# 环境配置
dotenv.load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")
os.environ["OPENAI_BASE_URL"] = os.getenv("OPENAI_BASE_URL")chat_model = ChatOpenAI(model="deepseek-chat")# 1. 创建示例模板
example_prompt = PromptTemplate.from_template(template="input:{input}\n output:{output}",
)# 2. 提供示例数据
examples = [{"input": "北京天气怎么样", "output": "北京市"},{"input": "南京下雨吗", "output": "南京市"},{"input": "武汉热吗", "output": "武汉市"}
]# 3. 创建 FewShotPromptTemplate
few_shot_template = FewShotPromptTemplate(example_prompt=example_prompt,examples=examples,suffix="input:{input}\n output:",input_variables=["input"]
)# 4. 使用模板
prompt = few_shot_template.invoke(input={"input": "天津会下雨吗"})
result = chat_model.invoke(prompt)

复杂示例：多变量场景

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate# 创建包含多个变量的提示模板
prompt_template = PromptTemplate.from_template(template="你是一个数学专家,算式:{input} 值:{output} 使用:{description}",
)examples = [{"input": "2+2", "output": "4", "description": "加法运算"},{"input": "5-2", "output": "3", "description": "减法运算"}
]few_shot_prompt_template = FewShotPromptTemplate(example_prompt=prompt_template,examples=examples,suffix="你是一个数学专家,算式:{input} 值:{output}",input_variables=["input", "output"]
)prompt = few_shot_prompt_template.invoke(input={"input": "2*5", "output": "10"}
)
result = chat_model.invoke(prompt)

FewShotChatMessagePromptTemplate：对话场景优化

对于聊天对话场景，FewShotChatMessagePromptTemplate 是更好的选择，它专门针对聊天消息格式进行了优化。

完整示例

from langchain_core.prompts import (ChatPromptTemplate, FewShotChatMessagePromptTemplate
)# 1. 创建对话格式的提示模板
prompt_template = ChatPromptTemplate.from_messages([("human", "{input}是多少"),("ai", "{output}")
])# 2. 提供对话示例
examples = [{"input": "2+2", "output": "4"},{"input": "2*3", "output": "6"}
]# 3. 创建 FewShotChatMessagePromptTemplate
few_shot_prompt_template = FewShotChatMessagePromptTemplate(example_prompt=prompt_template,examples=examples
)# 4. 组合成完整的提示词
final_prompt = ChatPromptTemplate.from_messages([("system", "你是一个数学奇才"),few_shot_prompt_template,("human", "{input}")
])prompt = final_prompt.invoke(input={"input": "2+4"})
result = chat_model.invoke(prompt)

如何选择?

  • FewShotPromptTemplate：用于简单的文本输入输出场景
  • FewShotChatMessagePromptTemplate：用于需要保留对话结构的场景

Example Selectors：智能示例选择器

为什么需要示例选择器？

在前面的方法中，无论输入什么问题，都会包含全部示例。但在实际开发中，这可能导致：

  • Token 消耗过大： 所有示例都传递给模型
  • 相关性不足： 某些示例与当前问题无关
  • 效果不佳： 无关示例可能干扰模型判断

Example Selectors 可以根据当前输入，从大量候选示例中智能选择最相关的子集。

三种选择策略

1. 语义相似选择（Semantic Similarity）

通过余弦相似度等方式，选择与输入语义最接近的 k 个示例。

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings# 准备示例数据
examples = [{"input": "北京天气怎么样", "output": "北京市"},{"input": "上海会下雨吗", "output": "上海市"},{"input": "广州今天热吗", "output": "广州市"},{"input": "深圳的温度是多少", "output": "深圳市"},
]# 创建语义相似度选择器
example_selector = SemanticSimilarityExampleSelector.from_examples(examples,                           # 候选示例列表OpenAIEmbeddings(),                 # 用于生成向量的嵌入模型Chroma,                             # 向量数据库类k=2                                 # 选择最相似的2个示例
)# 创建提示模板
example_prompt = PromptTemplate.from_template("input:{input}\n output:{output}")# 组合成 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(example_selector=example_selector,   # 使用选择器而非固定示例example_prompt=example_prompt,suffix="input:{input}\n output:",input_variables=["input"]
)# 使用时会自动选择最相关的示例
prompt = few_shot_prompt.invoke(input={"input": "杭州的气候如何"})
result = chat_model.invoke(prompt)

SemanticSimilarityExampleSelector 参数解析：

  • examples：候选示例列表，每个示例是一个字典
  • embeddings：嵌入模型，用于将文本转换为向量（如 OpenAIEmbeddings 中应用 OpenAI Embedding 模型：text-embedding-ada-002）
  • vectorstore_cls：向量数据库类，如 Chroma、FAISS
  • k：选择返回的示例数量
  • input_keys：（可选）指定用于计算相似度的输入键

2. 长度选择（Length-Based Selection）

根据输入文本长度选择匹配的示例，适合对响应速度要求高的场景。

from langchain_core.example_selectors import LengthBasedExampleSelectorexamples = [{"input": "天气", "output": "短问题"},{"input": "今天北京的天气怎么样啊", "output": "中等问题"},{"input": "能否详细描述一下今天北京的天气情况,包括温度、湿度等", "output": "长问题"}
]example_selector = LengthBasedExampleSelector(examples=examples,example_prompt=example_prompt,max_length=50  # 根据长度限制选择示例
)

3. 最大边际相关选择（MMR）

在保证语义相似的同时，避免选择同质化内容，增加示例多样性。

from langchain_core.example_selectors import MaxMarginalRelevanceExampleSelectorexample_selector = MaxMarginalRelevanceExampleSelector.from_examples(examples,OpenAIEmbeddings(),Chroma,k=2,fetch_k=10  # 先获取10个候选,再通过MMR选择2个
)

使用 FAISS 的完整示例

FAISS 是 Facebook 开发的高效向量检索库，特别适合大规模示例场景。

# 安装依赖
# pip install faiss-cpufrom langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings# 准备示例
examples = [{"question": "苹果是什么颜色", "answer": "红色或绿色"},{"question": "天空是什么颜色", "answer": "蓝色"},{"question": "草地是什么颜色", "answer": "绿色"},{"question": "香蕉是什么颜色", "answer": "黄色"},{"question": "橙子是什么颜色", "answer": "橙色"},
]# 创建示例选择器(使用 FAISS)
example_selector = SemanticSimilarityExampleSelector.from_examples(examples,OpenAIEmbeddings(),FAISS,k=2
)# 创建提示模板
example_prompt = PromptTemplate(input_variables=["question", "answer"],template="问题:{question}\n答案:{answer}"
)# 组合成 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(example_selector=example_selector,example_prompt=example_prompt,prefix="请回答以下问题:",suffix="问题:{input}\n答案:",input_variables=["input"]
)# 使用
prompt = few_shot_prompt.invoke(input={"input": "西红柿是什么颜色"})
# 系统会自动选择与"西红柿"最相关的示例(如苹果、橙子)result = chat_model.invoke(prompt)

最佳实践建议

1. 选择合适的工具

  • 简单任务： 直接使用 FewShotPromptTemplate
  • 对话应用： 使用 FewShotChatMessagePromptTemplate
  • 大量示例： 使用 Example Selectors 动态选择
  • 历史管理： 使用 MessagePlaceholder

2. 优化示例质量

  • 示例要具有代表性和多样性
  • 避免示例之间过于相似
  • 确保示例格式一致
  • 定期更新和维护示例库

3. 控制 Token 消耗

  • 使用 Example Selectors 减少无关示例
  • 根据任务复杂度调整 k 值
  • 考虑使用长度选择器控制总长度

4. 性能与效果平衡

  • 语义相似度选择最准确但计算开销大
  • 长度选择速度快但可能不够精确
  • MMR 在准确性和多样性间取得平衡

总结

LangChain 的提示词工程工具为我们提供了强大而灵活的能力：

  • MessagePlaceholder 解决了动态消息插入的问题
  • FewShotPromptTemplate 系列让少量样本学习变得简单
  • Example Selectors 实现了智能示例选择，优化性能和效果

掌握这些工具，可以帮助我们构建更加智能、高效的大语言模型应用。在实际项目中，建议根据具体场景选择合适的方法，并通过实验不断优化提示词策略。

2025.10.05 G930 北京朝阳

http://www.dtcms.com/a/447136.html

相关文章：

  • 点击app图标进入网站怎么做无锡优化
  • flutter专栏--深入了解widget原理
  • Java面试 -- 数据结构
  • 网站在政务新媒体建设方案济南seo排名关键词
  • Vite 构建优化实战：从配置到落地的全方位性能提升指南
  • 林州网站建设哪家专业自助建站和网站开发的利弊
  • 例外：已选中、未选中和自定义
  • 织梦网站怎么关闭手机模板合肥关键词排名技巧
  • wordpress付费阅读插件seo具体是什么
  • 上海网站推广营销设计展览馆设计公司排名
  • Effective Python 第39条：通过@classmethod多态来构造同一体系中的各类对象
  • 全flash网站模板wordpress dnax
  • 做网站有的浏览器网站建设元
  • 概率论：分布与检验（持续学习中）
  • 培训网站 建武昌网站建设制作
  • 上海网站建设免网站建设那家做的好
  • 网站的关键字 设置建设部网站首页
  • jetson nano 搭建crow环境
  • 宁波网站建设流程免费签名设计软件
  • 怎样做国外电子商务网站简单房地产网站
  • 浏览器显示不安全网站建设个人网页制作价格
  • .net 做手机网站吗电商seo与sem是什么
  • 企业局域网做网站屏蔽一流的高密做网站的
  • 哪有深圳网站页面设计通用企业手机网站模板
  • 《嵌入式驱动（四）：设备树》
  • [人工智能-综述-20]：AI智能体、大模型的关系：大模型是AI智能体的“大脑”，而AI智能体是让大模型“行动起来”的完整生命体。
  • 函数内部数据的有效访问的“加锁”操作
  • 湖北省建设厅投标报名官方网站wordpress网站加壳
  • 唐山设计网站公司电商网站有哪些使用场景
  • HashMap、HashTable、ConcurrentHashMap详解