微网站设置口碑好的番禺网站建设

摘要： 本文介绍了langchain.prompts中基础的提示词模板的用法，包括基础的文本模板、对话模板、小样本模板、以及主要两种样本选择器的用法。

1. prompts介绍？

• 提示词：就是输入给LLM的内容。包括我们和LLM对话的内容，

• LangChain的Prompts模块是构建对话系统的核心组件，它通过结构化模板实现精准的提示工程管理。该模块将自然语言指令转化为大模型可解析的标准化输入，显著提升AI交互质量。

2. 提示词模板体系 Prompt Templates

LangChain 提供了 PromptTemplates，可以让用户根据输入动态地修改提示；提示词模板是一种预定义的文本结构，其中包含变量和固定文本部分，用于引导语言模型生成特定类型的输出。这些模板可以帮助模型更准确地理解上下文，并生成符合预期的响应。
   提示词模板（Prompt Template）在自然语言处理和生成任务中，是设计和优化模型输入的一种方法。提示词模板可以帮助大型语言模型（LLM）更好地理解和生成目标内容。以下是提示词模板的介绍及其
在不同场景中的应用。

通常提示词模板包含两部分：

• 静态部分：用于提供上下文，背景或引导语等用于控制LLM的大的方向。
• 动态部分：根据具体输入替换，在模板中用占位符表示变量。

2.1 基础文本模板 PromptTemplate

from langchain_core.prompts import PromptTemplate# 定义含变量的模板
template = "请为{product}写广告语，突出{feature}特点"
prompt = PromptTemplate(input_variables=["product", "feature"],template=template
)# 填充变量生成最终提示
filled_prompt = prompt.format(product="智能手表", feature="健康监测")# 输出：请为智能手表写广告语，突出健康监测特点
print(filled_prompt)

输出：

请为智能手表写广告语，突出健康监测特点

使用partial_variables提前固定部分参数：

# 预设置部分变量
partial_prompt = prompt.partial(product="电动汽车")
print(partial_prompt.format(feature="续航能力"))
# 输出：请为电动汽车写广告语，突出续航能力特点

2.2 对话模板 ChatPromptTemplate

用于对结构化的聊天消息管理，支持区分角色区分。

from langchain.prompts import ChatPromptTemplatechat_template = ChatPromptTemplate.from_messages([("system", "你是一位{role}"),("human", "请分析：{question}") 
])
filled_chat = chat_template.format_messages(role="金融顾问", question="当前股市走势"
)print(filled_chat)

[SystemMessage(content='你是一位金融顾问', additional_kwargs={}, response_metadata={}), HumanMessage(content='请分析：当前股市走势', additional_kwargs={}, response_metadata={})]

我们可以看到它返回一个BaseMessage类型，可以直接传给聊天模型

response = model.invoke(prompt)

2.3 小样本提示模板Few-shot

Few-shot examples 是一组可帮助语言模型生成更好响应的示例。要生成具有 few-shot examples 的 prompt，可以使用 FewShotPromptTemplate。该类接受一个 PromptTemplate 和一组 few-shot examples。然后，它使用这些 few-shot examples 格式化成 prompt 模板。

示例：输入一个情绪的词，要返回对应情绪的表现；我们根据提示词，告诉模型，什么是“情绪的表现”。

'''
创建大模型LLM
'''
from langchain.chat_models import ChatOpenAI
# 定义模型调用API URL
base_url = "https://api.deepseek.com/v1"
# 定义模型调用API KEY（实际应用会放到环境变量中，避免明文暴露）
api_key = "你自己的api key"
# 定义模型名称（对应DeepSeek-V3）
model='deepseek-chat' 
llm= ChatOpenAI(base_url=base_url,api_key=api_key,model=model)'''
创建小样本提示词模板
'''
from langchain import FewShotPromptTemplate# 示例样本
examples = [{"input": "高兴", "output": "笑容满面"}, {"input": "悲伤", "output": "泪流满面"}]# 创建提示词模板
example_template = "输入:{input}\n输出:{output}"example_prompt = PromptTemplate.from_template(example_template)# 小样本提示词模板
few_shot_prompt = FewShotPromptTemplate(examples=examples,example_prompt=example_prompt,prefix="请给出每个输入的情感进行分析，给出对应的表现。",suffix="输入:{text}\n输出:",input_variables=["text"]
)# 格式化提示词
prompt_text = few_shot_prompt.format(text="愤怒")'''
调用模型
'''
response = llm.invoke(prompt_text)
print("LLM 输出：")
print(response.content)

输出：

LLM 输出：
怒目圆睁

2.4 示例选择器Example Selector

在大量示例情况下，因为大量的示例会浪费token，还可能超出token限制。Example Selector可以从大量的示例中，自动选择最合适的部分示例纳入到提示词中。

主要两种方式选择：

• 按长度： 较长的输入，选择较少示例；反之，较短输入，选择更多示例。
• 按相似度： 查找与输入具有最大余弦相似度的嵌入示例。

2.4.1 按长度选择 LengthBasedExampleSelector

他可以根据输入文本长度自动增减示例数量，短输入时提供更多上下文示例，长输入时减少示例以避免超出模型上下文窗口限制。通过预设的max_length参数确保提示总长度不超过模型处理上限。

from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_core.example_selectors import LengthBasedExampleSelector# 定义示例集
examples = [{"input": "happy", "output": "sad"},{"input": "tall", "output": "short"},{"input": "fast", "output": "slow"},{"input": "wind", "output": "calm"}
]# 创建示例模板
example_prompt = PromptTemplate(input_variables=["input", "output"],template="Input: {input}\nOutput: {output}"
)# 初始化选择器
selector = LengthBasedExampleSelector(examples=examples,example_prompt=example_prompt,max_length=10  # 假设模型上下文窗口为30字符
)# 构建动态提示
dynamic_prompt = FewShotPromptTemplate(example_selector=selector,example_prompt=example_prompt,prefix="生成反义词",suffix="Input: {adjective}\nOutput:",input_variables=["adjective"]
)# 测试不同长度输入
print(dynamic_prompt.format(adjective="big"))      # 显示全部3个示例
print(dynamic_prompt.format(adjective="extremely and huge and massive"))  # 可能只显示1个示例

2.4.2 按相似度选择 LengthBasedExampleSelector

以下是一个根据为输入，提供一个反义词的例子，当输入一个词时选择器会根据语义选择相近的例子；本例中，输入“red”，选择器选择了和颜色相关的示例作为输出。

from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain.embeddings import OllamaEmbeddings
from langchain_community.vectorstores import FAISS# 初始化嵌入模型embedings
model = "nomic-embed-text:latest"  # 模型名称
base_local_url = "http://localhost:11434" # 本地部署模型
embedings = OllamaEmbeddings(   # ①base_url=base_local_url,model=model
)# 定义示例集
examples = [{"input": "happy", "output": "sad"},{"input": "tall", "output": "short"},{"input": "fast", "output": "slow"},{"input": "wind", "output": "calm"},{"input": "black", "output": "white"},{"input": "Light", "output": "Dark"},{"input": "Bright", "output": "Dull"},{"input": "Rainy", "output": "Dry"},{"input": "Warm", "output": "Cool"},{"input": "Summer", "output": "Winter"}
]# 创建示例模板
example_prompt = PromptTemplate(input_variables=["input", "output"],template="Input: {input}\nOutput: {output}"
)# 初始化选择器
selector = SemanticSimilarityExampleSelector.from_examples(examples=examples,embeddings=embedings, vectorstore_cls=FAISS, # 使用Faiss作为矢量库k=3,# 选择三个相似的示例input_keys=["input"]
)# 构建动态提示
dynamic_prompt = FewShotPromptTemplate(example_selector=selector,example_prompt=example_prompt,prefix="生成反义词",suffix="Input: {input}\nOutput:",input_variables=["input"]
)# 测试不同长度输入
print(dynamic_prompt.format(input="red"))     

输出：

生成反义词Input: Bright
Output: DullInput: black
Output: whiteInput: Light
Output: DarkInput: red
Output:

注：① 本例中使用本地部署一个Ollama框架Embedding模型，Ollama后续文章介绍。

**Embedding Model：**嵌入模型是一种将离散的高维数据（如单词、句子、图片等）映射到连续的低维向量空间的技术；嵌入模型的主要目的是捕捉输入数据中的语义或特征信息，使得相似的输入在嵌入空间中距离更近。嵌入模型通常计算高效，适合用于大规模数据的相似性搜索和分类任务。
嵌入模型适用场景：

1. 文本相似度计算：比较两个文本的嵌入向量，计算相似度。
2. 信息检索：通过嵌入向量进行高效的相似性搜索。
3. 分类和聚类：使用嵌入向量进行文本或图像的分类和聚类。