Langchain的提示词模板

### LangChain Prompt Templates 的概述 LangChain 是一种用于构建语言模型应用程序的强大框架，其中 `Prompt Templates` 起到了核心作用。以下是关于 LangChain 中提示模板的相关介绍： #### 1. **String PromptTemplates** 这是最基础的一种提示模板形式，适用于简单的字符串操作场景。它允许开发者定义一个固定的字符串结构，并通过变量填充动态内容。 示例代码如下： ```python from langchain import PromptTemplate template = "What is a good name for a company that makes {product}?" prompt = PromptTemplate(input_variables=["product"], template=template) formatted_prompt = prompt.format(product="colorful socks") print(formatted_prompt) ``` 上述代码展示了如何利用 String PromptTemplates 创建并格式化提示语句[^1]。 --- #### 2. **ChatPromptTemplates** 这种类型的提示模板专为对话型应用设计，支持多轮交互以及复杂的消息处理逻辑。它可以组合多个消息组件（如人类提问、AI回复等），从而实现更自然流畅的对话体验。 下面是一个 ChatPromptTemplates 使用的例子： ```python from langchain.prompts.chat import ( ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate, AIMessagePromptTemplate, ) system_template = "You are Qwen, an AI assistant who follows instructions extremely well." human_template = "{question}" ai_template = "The answer to your question is..." system_message_prompt = SystemMessagePromptTemplate.from_template(system_template) human_message_prompt = HumanMessagePromptTemplate.from_template(human_template) ai_message_prompt = AIMessagePromptTemplate.from_template(ai_template) chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt, ai_message_prompt]) messages = chat_prompt.format_messages(question="How do I optimize my website?") for message in messages: print(message.content) ``` 此代码片段说明了如何配置系统角色、用户输入及 AI 输出的内容结构。 --- #### 3. **Few-Shot Learning with Examples** 为了进一步提升大语言模型的表现能力，“少样本学习”成为了一种常用策略。“Few-shot learning”的基本思路是在实际请求之前向模型展示若干示范案例，帮助其理解任务需求。 例如，当希望让模型生成特定风格的文章摘要时，可以通过以下方式设置 few-shot 提示模板： ```python from langchain.prompts.example_selector import LengthBasedExampleSelector from langchain.prompts.prompt import PromptTemplate from langchain.prompts.few_shot import FewShotPromptTemplate examples = [ {"input": "Apple", "output": "A fruit"}, {"input": "Carrot", "output": "A vegetable"} ] example_formatter_template = """Input: {input}\nOutput: {output}""" example_prompt = PromptTemplate( input_variables=["input", "output"], template=example_formatter_template ) dynamic_example_selector = LengthBasedExampleSelector(examples=examples, example_prompt=example_prompt, max_length=50) few_shot_prompt = FewShotPromptTemplate( example_selector=dynamic_example_selector, example_prompt=example_prompt, prefix="Classify the following items into categories.", suffix="\n\nInput: {new_input}\nOutput:", input_variables=["new_input"] ) final_prompt = few_shot_prompt.format(new_input="Banana") print(final_prompt) ``` 以上脚本演示了如何基于长度筛选合适的样例集合，并将其嵌入到最终提交给模型的任务描述之中[^3]。 --- #### 4. **自定义与扩展** 除了内置的标准功能外，LangChain 还提供了高度可定制化的接口，使得开发人员能够针对具体业务场景调整优化提示机制。比如引入外部数据源作为上下文补充材料；或者结合条件分支判断逻辑增强灵活性等等[^2]。 --- ### 总结 通过对 LangChain 提示模板的学习与实践，不仅可以简化日常工作中涉及的人工干预环节，而且有助于挖掘更大潜力释放出来的大规模预训练模型价值所在。