LangChain 提示模板之少样本示例(一)

https://python.langchain.com.cn/docs/modules/model_io/prompts/prompt_templates/few_shot_examples

一、先懂原文核心：什么是“少样本示例（Few-Shot Examples）”？

原文开篇就解释了：
少样本示例就是“在给LLM的提示里，先加几个‘正确的输入→输出’例子”，让LLM照着例子的格式/逻辑来回答。
比如你想让LLM把“句子拆成单词”，直接说“拆单词”它可能乱拆，但先给它例子：

• 输入：“Hello world” → 输出：“Hello, world”
• 输入：“LangChain is cool” → 输出：“LangChain, is, cool”
  LLM看了例子就知道“要按逗号分隔单词”——这就是少样本示例的作用，原文说它能“让LLM输出更符合预期的结果”。

二、原文第一步：手动写少样本提示（最基础的方式）

原文先讲“不用LangChain模板，自己手动拼带例子的提示”，核心是“把例子当文本，和问题一起传给LLM”。

原文完整案例（代码+解释）

比如想让LLM“给动物起英文名”，先加2个例子，再提问题：

# 原文代码：手动拼接带少样本示例的提示
from langchain.llms import OpenAI# 1. 初始化LLM（原文用的OpenAI模型）
llm = OpenAI(model_name="text-davinci-003", temperature=0)# 2. 手动写提示：先加2个“输入→输出”例子，再提当前问题
prompt = """
给下面的动物起一个简短的英文名，格式是“动物：英文名”。
例子：
动物：猫 → 英文名：Cat
动物：狗 → 英文名：Dog现在请给以下动物起名：
动物：熊猫 → 英文名：
"""# 3. 调用LLM生成结果
print(llm(prompt))

原文预期输出

Panda

原文关键说明

• 手动方式的优点：简单直接，不用学新模板；
• 缺点：如果例子多、要改格式（比如加“中文名”），得手动删改提示文本，很麻烦——这也是后面要学“少样本模板”的原因。

三、原文核心：用 LangChain 的“少样本提示模板”（解决手动的麻烦）

原文重点讲了2个LangChain模板，专门用来管理少样本示例，不用手动拼提示——分别对应“纯文本提示”和“聊天提示”。

1. 第一个模板：FewShotPromptTemplate（纯文本少样本模板）

原文说它的作用是“把‘例子列表’和‘提示模板’分开管理”，改例子或格式时不用动整体提示。

原文完整流程（4步，代码对应原文）

步骤1：准备“少样本示例列表”（原文示例）

先把所有例子写成“字典列表”，每个字典是一个“输入→输出”对：

# 原文代码：少样本示例列表（给动物起名的例子）
examples = [{"动物": "猫", "英文名": "Cat"},{"动物": "狗", "英文名": "Dog"},{"动物": "鸟", "英文名": "Bird"}
]

步骤2：定义“单个例子的模板”（原文叫 example_prompt）

告诉模板“每个例子要怎么显示”（比如“动物：X → 英文名：Y”）：

# 原文代码：单个例子的模板（用PromptTemplate定义格式）
from langchain.prompts import PromptTemplateexample_prompt = PromptTemplate(input_variables=["动物", "英文名"],  # 对应例子字典里的keytemplate="动物：{动物} → 英文名：{英文名}\n"  # 单个例子的显示格式
)

• 原文说明：这个模板会把每个例子字典（比如{“动物”:“猫”,“英文名”:“Cat”}）转成“动物：猫 → 英文名：Cat”的文本。

步骤3：创建“少样本提示模板”（核心，原文代码）

把“例子列表”“单个例子模板”和“最终问题模板”拼起来：

# 原文代码：创建FewShotPromptTemplate
from langchain.prompts import FewShotPromptTemplatefew_shot_prompt = FewShotPromptTemplate(examples=examples,  # 步骤1准备的例子列表example_prompt=example_prompt,  # 步骤2定义的单个例子模板suffix="现在请给以下动物起名：\n动物：{新动物} → 英文名：",  # 最终要问的问题（原文叫suffix）input_variables=["新动物"]  # 问题里的占位符（要用户传的参数）
)

• 原文关键参数解释：
  • suffix：就是“例子之后的问题”，对应手动提示里“例子结束后要问的内容”；
  • input_variables：用户需要传的参数（这里是“新动物”，比如“熊猫”）。

步骤4：使用模板+调用LLM（原文代码）

# 1. 生成完整提示（把例子和问题拼起来）
final_prompt = few_shot_prompt.format(新动物="熊猫")
print(final_prompt)  # 先看生成的提示长什么样# 2. 调用LLM
print(llm(final_prompt))

原文预期输出（分两步）

第一步打印完整提示（能看到例子自动拼好了）：

动物：猫 → 英文名：Cat
动物：狗 → 英文名：Dog
动物：鸟 → 英文名：Bird现在请给以下动物起名：
动物：熊猫 → 英文名：

第二步打印LLM结果：

Panda

原文优势说明

• 改例子：直接改examples列表（比如加“动物：猪 → 英文名：Pig”），不用动模板；
• 改格式：改example_prompt的template（比如改成“动物{动物}的英文名是{英文名}”），所有例子会自动变格式。

2. 第二个模板：FewShotChatMessagePromptTemplate（聊天少样本模板）

原文说这个模板是“给聊天模型用的”——比如GPT-3.5/4，因为聊天模型需要“分角色”（系统消息、用户消息、助手消息），例子也要按角色来写。

原文完整流程（4步，代码对应原文）

步骤1：准备“聊天格式的少样本示例”（原文示例）

每个例子是“用户消息→助手消息”的对（符合聊天模型的输入习惯）：

# 原文代码：聊天格式的例子列表（给电影推荐的例子）
from langchain.schema import HumanMessage, AIMessageexamples = [# 第一个例子：用户说喜欢A电影→助手推荐类似电影[HumanMessage(content="我喜欢《盗梦空间》，推荐类似的电影"),AIMessage(content="推荐《星际穿越》《黑客帝国》《蝴蝶效应》")],# 第二个例子：用户说喜欢B电影→助手推荐类似电影[HumanMessage(content="我喜欢《泰坦尼克号》，推荐类似的电影"),AIMessage(content="推荐《罗马假日》《傲慢与偏见》《乱世佳人》")]
]

• 原文说明：每个例子是“[用户消息, 助手消息]”的列表，对应一次“用户问→助手答”的对话。

步骤2：定义“聊天例子的模板”（原文叫 example_prompt）

告诉模板“聊天例子要怎么组合”（这里直接用例子本身的格式，不用额外改）：

# 原文代码：聊天例子的模板
from langchain.prompts import FewShotChatMessagePromptTemplateexample_prompt = FewShotChatMessagePromptTemplate(example_messages=examples  # 直接传入聊天格式的例子列表
)

步骤3：创建“聊天少样本提示模板”（核心，原文代码）

把“聊天例子”和“系统消息、最终用户消息”组合起来：

# 原文代码：创建完整的聊天提示模板
from langchain.prompts import ChatPromptTemplate# 1. 先定义系统消息（告诉LLM角色，原文叫system prompt）
system_prompt = "你是电影推荐专家，根据用户喜欢的电影，推荐3部类似的电影。"# 2. 组合成聊天模板：系统消息 + 例子 + 最终用户消息
chat_prompt = ChatPromptTemplate.from_messages([("system", system_prompt),  # 第一步：系统消息example_prompt,             # 第二步：少样本例子（自动拼进去）("human", "我喜欢《肖申克的救赎》，推荐类似的电影")  # 第三步：用户当前的问题
])

步骤4：使用模板+调用聊天LLM（原文代码）

# 1. 初始化聊天模型（原文用ChatOpenAI）
from langchain.chat_models import ChatOpenAI
chat_llm = ChatOpenAI(model_name="gpt-3.5-turbo", temperature=0)# 2. 生成完整聊天提示（转成模型能识别的消息列表）
final_messages = chat_prompt.format_messages()
# 打印看格式（原文没打印，但加了更易理解）
for msg in final_messages:print(f"角色：{msg.type}，内容：{msg.content}")# 3. 调用聊天模型
print(chat_llm(final_messages).content)

原文预期输出（分两步）

第一步打印完整聊天提示（分角色，符合聊天模型要求）：

角色：system，内容：你是电影推荐专家，根据用户喜欢的电影，推荐3部类似的电影。
角色：human，内容：我喜欢《盗梦空间》，推荐类似的电影
角色：ai，内容：推荐《星际穿越》《黑客帝国》《蝴蝶效应》
角色：human，内容：我喜欢《泰坦尼克号》，推荐类似的电影
角色：ai，内容：推荐《罗马假日》《傲慢与偏见》《乱世佳人》
角色：human，内容：我喜欢《肖申克的救赎》，推荐类似的电影

第二步打印LLM结果：

推荐《阿甘正传》《当幸福来敲门》《楚门的世界》

原文优势说明

• 符合聊天模型习惯：不用手动拼“角色标签”，模板自动按“system→例子→human”的顺序组合；
• 例子可复用：同一个example_prompt能给不同的用户问题用（比如换“我喜欢《复仇者联盟》”，例子不用改）。

四、原文补充：动态选择少样本示例（Optional: Dynamic Few-Shot Prompting）

原文最后讲了个进阶功能：不是每次都用所有例子，而是“根据用户的问题，选和问题最像的几个例子”——比如用户问“给科幻电影推荐”，就只选“科幻相关的例子”，减少提示长度。

原文核心逻辑（代码对应原文）

比如用“相似度匹配”选例子：

# 原文代码：动态选择例子（以电影推荐为例）
from langchain.prompts import FewShotChatMessagePromptTemplate, ChatPromptTemplate
from langchain.llms import OpenAI
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS# 1. 准备更多例子（有科幻、爱情、动画等类型）
examples = [[HumanMessage(content="喜欢《盗梦空间》（科幻）"), AIMessage(content="推《星际穿越》")],[HumanMessage(content="喜欢《泰坦尼克号》（爱情）"), AIMessage(content="推《罗马假日》")],[HumanMessage(content="喜欢《寻梦环游记》（动画）"), AIMessage(content="推《飞屋环游记》")]
]# 2. 把例子转成文本，用embedding（嵌入）计算相似度
example_texts = [str(example) for example in examples]  # 例子转字符串
embeddings = OpenAIEmbeddings()  # 用OpenAI的embedding模型
vectorstore = FAISS.from_texts(example_texts, embeddings)  # 把例子存成“向量库”# 3. 定义“选例子的函数”：根据用户问题，找最像的1个例子
def select_examples(user_query):similar_examples = vectorstore.similarity_search(user_query, k=1)  # 找Top1相似例子similar_examples = [eval(example.page_content) for example in similar_examples]  # 转成原格式return similar_examples# 4. 动态创建例子模板（每次调用时选例子）
def create_prompt(user_query):selected_examples = select_examples(user_query)example_prompt = FewShotChatMessagePromptTemplate(example_messages=selected_examples)# 组合聊天模板prompt = ChatPromptTemplate.from_messages([("system", "你是电影推荐专家"),example_prompt,("human", user_query)])return prompt# 5. 使用：用户问科幻相关问题，只选科幻例子
user_query = "我喜欢《流浪地球》（科幻），推荐类似的"
prompt = create_prompt(user_query)
final_messages = prompt.format_messages()# 6. 调用LLM
chat_llm = ChatOpenAI()
print(chat_llm(final_messages).content)

原文预期结果

• 因为用户问的是科幻电影，模板会自动选“《盗梦空间》的例子”，只把这个例子放进提示；
• LLM会根据科幻例子的逻辑，推荐《星际穿越》《火星救援》等科幻电影。

原文关键说明

• 核心工具：用FAISS（向量数据库）存例子的“embedding”，用similarity_search找和用户问题最像的例子；
• 优势：减少提示长度（不用带所有例子），让LLM更聚焦于“相关例子”，推荐更准。

五、原文核心总结（3句话说清）

1. 少样本示例是什么：给提示加“输入→输出”例子，让LLM照例子输出，原文说这能“提升输出准确性”；
2. LangChain怎么实现：用FewShotPromptTemplate（纯文本）和FewShotChatMessagePromptTemplate（聊天）管理例子，不用手动拼提示；
3. 进阶功能：动态选例子（比如按相似度），只带相关例子，减少提示长度。