企业做网站被骗jquery网站开发
一、简介Prompt
在大模型应用中有一个概念叫做Prompt，我们来看一下百度百科对Prompt的定义。
prompt中文为“提示词”。在AI大模型中，Prompt的作用主要是给AI模型提示输入信息的上下文和输入模型的参数信息。
所以我们可以知道Prompt其实就是你问大模型的输入语言，也就是我们作为用户和大模型交互的输入。
二、关于PromptTemplate
看名字也能猜个七七八八，他是对我们用户输入大模型的一种模版配置。也就是说你可以按照你的模版来规范输入。我们制定一个模板，后面的输入都按照这个模板的语法格式，语言排布来输入，这样我们输入固定，起码输出就不会太离谱。
实际上prompt在大模型领域是个重要的概念，一个好的prompt是能提高你输出结果的质量的。
那我们来看一下langchain中的prompt的一些实现功能。
首先我们来看一下prompt的官方文档。
首先它位于langchain_core.prompts这个包下面，然后我们来看看他的类继承结构。
第一眼，麻了，作为一个javaer，这个图我看到的第一眼就想起了spring那一堆工厂类的结构。属实是太难顶了。然后我们在spring中的经验可以拿来用一下，我们说子类一般是更强大更全面的。我们看到它其实底下有很多字类，其中的PromptTemplate是我们通用语言模型的提示模板。我们当前正在处理的就是语言类的一个对话交互。所以我们就单独来看他。
ok，我们点进去看看他怎么用。PromptTemplate
1、PromptTemplate class
提示模板由字符串模板组成。它接受来自用户的一组参数，这些参数可用于为语言模型生成提示。
可以使用 f-strings （默认）、jinja2 或 mustache 语法对模板进行格式化。
其实就和我们在java中的String.format那种字符串占位差不多。
使用案例如下：
from langchain_core.prompts import PromptTemplate# 这里就是你的字符串模板，并且可以设置占位符
prompt = PromptTemplate.from_template("Say {foo}")
# 这里是给占位符设置值，也就是填充你的模板
prompt.format(foo="bar")此时我们就得到了一个prompt，就可以作为输入传给大模型了。
下面我们就接着我们上文中的例子来使用一下。
from langchain_core.prompts import PromptTemplate
from langchain_ollama import ChatOllama# 构建llm
llm = ChatOllama(base_url = "http://127.0.0.1:11434",model = "deepseek-r1:8b",temperature = 0.5,num_predict = 500,max_tokens = 250
)# 构建一个PromptTemplate，我们设置一个模板占位
promptTemplate = PromptTemplate.from_template("请问{model}模型的优点有哪些?")
# 传入占位，我们填充占位
prompt = promptTemplate.format(model = "deepseek")# 执行我们填充好的prompt
content = llm.invoke(prompt).content
# 输出执行结果正文，我们就不输出那些元数据了，干扰观察
print(f"大模型回答的结果正文是{content}")
大模型回答的结果正文是<think>省略思考过程
</think>DeepSeek模型具有以下优点：1. **跨领域知识应用**：能够处理各种问题，不受特定领域限制，适用于多种场景。2. **多模态输入处理**：支持文本、图像、音频等多种数据类型的输入，提供更全面的信息分析。3. **高效推理速度和资源利用率**：在保持性能的同时，节省计算资源，适合实时任务。4. **强大的自我学习能力**：从经验中学习并优化，适应复杂情况，提升处理能力。5. **灵活性
我们可以看到他是没毛病的。并且此时我们可以去langsmith中看一下，都是可以监控到的。
ok，至此我们完成了PromptTemplate输入模板。但是我们来看一个现象。
你大致能看出来每次输出的结果不太一样，而且吧，有时候结构还不太一样，假如我们要给客户使用，每次输出的结果不太一样好像还能接受，大致意思一样就行。但是你结构不一样这个就很难顶。
再比如你问ai，给我描述一下各国的文学，他其实会给你上网去找或者基于他的知识库去回答。你会得到一个很粗的描述结果。但是你说假如你是一个java开发者，你给我描述一下各国的文学，那他就会站在java开发的角度去回答，这样的结果可能是你更关注的。所以我们需要设置这样的一个角色，或者模板之类的配置。约束一下大模型的输出，也要有一个模板。这个模板叫做ChatPromptTemplate
2、ChatPromptTemplate
ok，我们来描述两个场景。
1、介绍一下当前的经济环境。
2、假如你是一个研究山西经济的专家，介绍一下当前的经济环境。
这两个问题，我们明显有一个前置条件告诉大模型。所以我们来看如何实现以及结果如何。
场景1不说了，我们上面PromptTemplate就是这样的。我们来看场景二。
场景二中我们告诉了大模型一个既定的事实，让他基于这个身份去做出回答。我们来看。文档
我们按照文档中的示例来实现我们这个需求。
from langchain_core.prompts import ChatPromptTemplate
from langchain_ollama import ChatOllamallm = ChatOllama(base_url = "http://127.0.0.1:11434",model = "deepseek-r1:8b",temperature = 0.5,num_predict = -2,max_tokens = 250
)# 配置模板，分别设置系统模板和客户模板，human其实就是你要问啥，作为你这个角色来配置
# system就是你告诉大模型的一个前提，让他去干啥
promptTemplate = ChatPromptTemplate([("system", "假如你是一个研究{cityMajor}的专家。"),("human", "介绍一下当前的经济环境。"),
])
# 填充模板
prompt = promptTemplate.invoke({"cityMajor": "山西经济"})
content = llm.invoke(prompt).content
print(f"大模型回答的结果正文是{content}")
很显然，他是会按照他是山西经济专家这个角色来回答我们的问题的。
ok，我们再来看一个，其实这个ChatPromptTemplate我们配置了两个内容一个是system一个是human，其实等于我们弄了两个模板，组合到一起了，实际上这个很像netty中的那个编解码器，他还有一组子类。
分别是SystemMessagePromptTemplate和HumanMessagePromptTemplate。你可以分别配置这两个模板类，然后组合起来效果是一样的。
from langchain_core.prompts import (ChatPromptTemplate,SystemMessagePromptTemplate,HumanMessagePromptTemplate
)
from langchain_ollama import ChatOllamallm = ChatOllama(base_url = "http://127.0.0.1:11434",model = "deepseek-r1:8b",temperature = 0.5,num_predict = -2,max_tokens = 250
)
# 分别构建system和human两个模板，和上面的一起构建是一样的
sysTemplate = SystemMessagePromptTemplate.from_template("假如你是一个研究{cityMajor}的专家。")
humanTemplate = HumanMessagePromptTemplate.from_template("介绍一下当前的经济环境。")promptTemplate = ChatPromptTemplate([sysTemplate,humanTemplate
])prompt = promptTemplate.invoke({"cityMajor": "山西经济"})
content = llm.invoke(prompt).content
print(f"大模型回答的结果正文是{content}")
只不过这种看起来比较麻烦一点。
当然了还有一些能够简化的比如MessagesPlaceholder 这个你也可以试试。
三、扩展
其余还有一些类，我们可以使用起来来简化这个流程。
比如core包下面的messages
core.prompt包下的MessagesPlaceholder 都可以参照着文档来对程序进行扩展。