saas是不是做网站seo助手

概要

语言模型以文本作为输入－这个文本通常被称为提示词（prompt）。在开发过程中，对于提示词通常不能直接硬编码，不利于提示词管理，，而是通过提示词模板进行维护，类似开发过程中遇到的短信模板邮件模板等等。

提示词模板有助于将用户输入和参数转换为语言模型的指令。 这可以用于指导模型的响应，帮助其理解上下文并生成相关且连贯的基于语言的输出。

提示词模板的输入是一个字典，其中每个键表示要填充的提示词模板中的变量。

提示词模板输出一个 PromptValue。此 PromptValue 可以传递给 LLM 或 ChatModel，也可以转换为字符串或消息列表。 这个 PromptValue 的存在是为了方便在字符串和消息之间切换。

什么是提示词模板？

提示词模板本质上跟平时大家使用的邮件模板、短信模板没什么区别，就是一个字符串模板，模板可以包含一组模板参数，，通过模板参数值可以替换模板对应的参数。一个提示词模板可以包含下面内容:

• 发给大语言模型（LLM）的指令。
• 一组问答示例，以提醒AI以什么格式返回请求
• 发给语言模型的问题

提示词模版分类

有几种不同类型的提示词模板：

字符串提示词模板

这些提示词模板用于格式化单个字符串，通常用于更简单的输入。 例如，构造和使用 PromptTemplate 的一种常见方式如下：

import osfrom langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate"""
PromptTemplate 案例
"""
# 设置智普 AI 的 API 密钥
os.environ["ZHIPUAI_API_KEY"] = "5---------NRdKxlr"# 初始化智普 AI 模型
llm = ChatZhipuAI()
prompt=PromptTemplate.from_template("帮我写一篇关于{key_word}的{type}，数字不超过{count}")chain = prompt | llm | StrOutputParser()rest = chain.invoke({"key_word":"青春","type": "散文", "count":200})print(rest)

输出结果：

E:\learn_work_spaces\PythonProject1\.venv\Scripts\python.exe E:\learn_work_spaces\PythonProject1\LCEL案例0.py 
青春，是一曲短暂而美好的乐章，充满梦想与激情。那时的我们，拥有无限的可能，怀抱憧憬，勇往直前。阳光洒在校园的林荫道上，留下斑驳的光影。操场上，我们奔跑、嬉戏，笑声洒满每个角落。青春的脸上，洋溢着无忧无虑的笑容，如同春天的花朵，绚烂多姿。青春，是一场奋斗与拼搏的较量。我们为了梦想，砥砺前行，不畏艰难。每一个深夜，都有我们埋头苦读的身影。每一次考试，都是我们为实现梦想而努力的过程。青春，是一段友谊与爱情的交织。我们携手同行，共度欢乐与泪水。那些陪伴我们走过青春岁月的人，成为我们一生最珍贵的回忆。然而，青春终究会离去。当我们回首往昔，不禁感慨时光荏苒。那些曾经的激情与梦想，仿佛还在昨天。而我们，已悄然长大。珍惜青春，拥抱梦想。让这段短暂的光阴，成为我们人生中最美的风景。即使岁月流逝，青春不再，我们依然可以自豪地说：“那段青春岁月，我曾全力以赴。”进程已结束，退出代码为 0

聊天提示词模板

这些提示词模板用于格式化消息列表。这些“模板”本身由一系列模板组成。 例如，构建和使用 ChatPromptTemplate 的一种常见方式如下：

import osfrom langchain_community.chat_models import ChatZhipuAI
from langchain_core.messages import HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder"""
构建一个聊天机器人,并且保存聊天记录，根据聊天记录回复问题
"""
# 设置智普 AI 的 API 密钥
os.environ["ZHIPUAI_API_KEY"] = "5e-------------LNRdKxlr"# 初始化智普 AI 模型
llm = ChatZhipuAI()prompt = ChatPromptTemplate.from_messages([("system", "你是一个乐于助人的助手。用{language}尽你所能回答所有问题"),("user", "你好，我的名字是{name}")])chain = prompt | llmrest = chain.invoke({"name": "张三","language": "汉语"
})print(rest)

输出结果：

E:\learn_work_spaces\PythonProject1\.venv\Scripts\python.exe E:\learn_work_spaces\PythonProject1\chatPromptTemplate_demo1.py 
content='很高兴认识你，张三。如果你有任何问题或需要帮助，请随时告诉我。现在，有什么我可以帮你的吗？' additional_kwargs={} response_metadata={'token_usage': {'completion_tokens': 28, 'prompt_tokens': 29, 'total_tokens': 57}, 'model_name': 'glm-4', 'finish_reason': 'stop'} id='run-bf28a0ec-d850-4468-90bf-007472b6c183-0'进程已结束，退出代码为 0

在上述示例中，当调用此 ChatPromptTemplate 时，将构造两个消息。 第一个是系统消息，有变量需要格式化。 第二个是 HumanMessage，将由用户传入的 name 变量进行格式化。

消息占位符

此提示词模板负责在特定位置添加消息列表。 在上面的 ChatPromptTemplate 中，我们看到如何格式化两个消息，每个消息都是一个字符串。 但是如果我们希望用户传入一个消息列表，并将其插入到特定位置呢？ 这就是如何使用 MessagesPlaceholder。

import osfrom langchain_community.chat_models import ChatZhipuAI
from langchain_core.messages import HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder"""
构建一个聊天机器人,并且保存聊天记录，根据聊天记录回复问题
"""
# 设置智普 AI 的 API 密钥
os.environ["ZHIPUAI_API_KEY"] = "5eb20f----mXhLNRdKxlr"# 初始化智普 AI 模型
llm = ChatZhipuAI()prompt = ChatPromptTemplate.from_messages([("system", "你是一个乐于助人的助手。"),MessagesPlaceholder("msgs")  # 或者这样  ("placeholder", "{msgs}")
])chain = prompt | llmrest = chain.invoke({"msgs": [HumanMessage(content="你好，我是张三!"), HumanMessage(content="我是个高中生!")]})print(rest)

输出结果：

E:\learn_work_spaces\PythonProject1\.venv\Scripts\python.exe E:\learn_work_spaces\PythonProject1\占位符模版案例1.py 
content='嗨！作为一个乐于助人的助手，我在这里可以帮助你解决高中学习生活中遇到的问题。如果你有任何疑问，无论是关于学业、考试准备、学习方法、时间管理，还是其他任何事项，都可以随时向我咨询。我会尽力为你提供帮助和指导。有什么可以帮到你的吗？' additional_kwargs={} response_metadata={'token_usage': {'completion_tokens': 62, 'prompt_tokens': 26, 'total_tokens': 88}, 'model_name': 'glm-4', 'finish_reason': 'stop'} id='run-1833c900-d73d-4fff-ac01-3b20037dc2a2-0'进程已结束，退出代码为 0

参考资料：
langchain中文文档