langchain学习--提示词

langchain提示词学习要点提示词Prompt在LangChain中扮演着核心角色直接影响模型输出的质量和准确性。以下是关键学习方向和实践方法基础结构设计明确指令直接说明任务要求例如生成一份关于气候变化的报告摘要提供上下文添加背景信息提升相关性如针对2023年联合国气候报告数据示例示范通过few-shot learning提供输入输出示例高级优化技巧变量插值使用{variable}动态插入内容模板组合将多个提示模板串联使用输出解析指定返回格式如JSON或特定数据结构常见应用场景问答系统设计带知识库约束的提示文本生成控制输出长度和风格数据提取指定结构化输出要求调试与评估记录不同提示版本的输出结果使用定量指标评估提示效果通过A/B测试比较不同模板最佳实践保持提示词简洁明确逐步迭代优化提示内容考虑模型的具体版本特性处理敏感内容时添加安全约束下面我介绍三个提示词类PromptTemplatePromptTemplate 用于创建结构化提示词模板允许动态插入变量。适用于需要重复使用相同提示结构但内容变化的场景。核心功能支持变量插值通过input_variables定义占位符运行时填充具体值。支持模板格式化支持 Jinja2 或 f-string 等语法灵活控制输出格式。示例代码from langchain.prompts import PromptTemplate template 请用{style}风格写一篇关于{topic}的文章。 prompt PromptTemplate(input_variables[style, topic], templatetemplate) filled_prompt prompt.format(style幽默, topic人工智能) print(filled_prompt)PromptTemplate 提供了两种填充模板的方法方法返回类型用途.formatstr直接返回字符串.format_promptStringPromptValue返回包装对象更通用promptPromptTemplate.from_template( 我的邻居是{lastname}刚生了{gender},你帮我起个名字简单回答,给出我理由 ) # 方式 1.format() 返回字符串 prompt_text prompt.format(lastname张, gender男) print(type(prompt_text)) # class str # 方式 2.format_prompt() 返回 PromptValue prompt_value prompt.format_prompt(lastname张, gender男) print(type(prompt_value)) # StringPromptValueFewShotPromptTemplateFewShotPromptTemplate 用于构建包含示例的提示词通过少量示例指导模型生成符合预期的输出。适用于需要上下文学习的任务。核心功能示例插入通过examples参数提供示例列表每个示例可包含输入和输出。示例格式化支持自定义示例的展示格式如前缀、分隔符等。结构FewShotPromptTemplate(examplesNone, # 示例数据列表example_promptNone, # 示例的格式化模板prefixNone, # 前缀指令部分suffixNone, # 后缀用户输入部分input_variablesNone, # 需要动态注入的变量example_separator\n\n # 示例之间的分隔符)示例代码from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate from langchain_community.llms.tongyi import Tongyi # 1. 定义示例模板 example_template PromptTemplate.from_template( 评论{review}\n情感{sentiment} ) # 2. 准备示例数据 examples [ { review: 这部电影太棒了演员演技在线, sentiment: 正面 }, { review: 剧情拖沓浪费时间不推荐。, sentiment: 负面 }, { review: 画面精美但故事一般般。, sentiment: 中性 } ] # 3. 创建 FewShot Prompt few_shot_prompt FewShotPromptTemplate( examplesexamples, example_promptexample_template, prefix请判断以下评论的情感倾向正面/负面/中性, suffix评论{new_review}\n情感, input_variables[new_review] ) # 4. 生成 Prompt prompt_text few_shot_prompt.invoke({ new_review: 服务态度很好但是价格有点贵 }).to_string() print(prompt_text) # 输出 # 请判断以下评论的情感倾向正面/负面/中性 # # 评论这部电影太棒了演员演技在线 # 情感正面 # # 评论剧情拖沓浪费时间不推荐。 # 情感负面 # # 评论画面精美但故事一般般。 # 情感中性 # # 评论服务态度很好但是价格有点贵 # 情感 # 5. 调用模型 model Tongyi(modelqwen-plus) response model.invoke(prompt_text) print(response) # 输出中性高级用法动态选择示例Example Selector当示例很多时可以智能选择最相关的示例from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate from langchain_core.example_selectors import SemanticSimilarityExampleSelector from langchain_community.vectorstores import FAISS from langchain_community.embeddings import DashScopeEmbeddings # 1. 准备大量示例 examples [ {input: 你好, output: Hello}, {input: 再见, output: Goodbye}, {input: 谢谢, output: Thank you}, {input: 对不起, output: Sorry}, # ... 更多示例 ] # 2. 创建示例选择器基于语义相似度 example_selector SemanticSimilarityExampleSelector.from_examples( examplesexamples, embeddingsDashScopeEmbeddings(), # 使用嵌入模型 vectorstore_clsFAISS, # 向量数据库 k2 # 选择最相似的 2 个示例 ) # 3. 使用动态示例 few_shot_prompt FewShotPromptTemplate( example_selectorexample_selector, # ⭐ 使用选择器代替 examples example_promptPromptTemplate.from_template( 输入{input}\n输出{output} ), prefix翻译以下中文为英文, suffix输入{new_input}\n输出, input_variables[new_input] ) # 4. 调用时自动选择最相关的示例 prompt_text few_shot_prompt.invoke({ new_input: 早上好 }).to_string() # 会自动选择与早上好最相似的 2 个示例如你好、再见 print(prompt_text)ChatPromptTemplateChatPromptTemplate 专为对话场景设计支持多角色消息如系统、用户、AI的模板化。适用于聊天机器人或交互式对话任务。核心功能多角色支持通过SystemMessagePromptTemplate、HumanMessagePromptTemplate等区分角色。消息序列化将多条消息按顺序组合为对话上下文。示例代码# ChatPromptTemplate 支持注入任意数量的历史会话消息 from langchain_core.prompts import ChatPromptTemplate,MessagesPlaceholder from langchain_community.chat_models.tongyi import ChatTongyi from dotenv import load_dotenv load_dotenv() chat_prompt_templateChatPromptTemplate.from_messages( [ (system, 请按照唐诗的格式生成唐诗,且你是边塞诗人), MessagesPlaceholder(variable_namehistory), (human, 再来一首唐诗) ] ) # 方式 1使用元组简洁推荐用于简单场景 history_data[ (human, 请给我写一首唐诗), (ai, 锄禾日当午汗滴禾下土谁知盘中餐粒粒皆辛苦), (human, 好诗好诗再给我来一首), (ai, 西风瘦马客输西风西风瘦马客输西风), ] # 方式 2使用 Message 对象规范推荐用于复杂场景 history_data_messages [ HumanMessage(content请给我写一首唐诗), AIMessage(content锄禾日当午汗滴禾下土谁知盘中餐粒粒皆辛苦), HumanMessage(content好诗好诗再给我来一首), AIMessage(content西风瘦马客输西风西风瘦马客输西风), ] #链式结构 modelChatTongyi(modelqwen-plus) chaichat_prompt_template|model reschai.invoke(input{history:history_data}) print(res.content)关键区别PromptTemplate基础模板适用于单次输入输出。FewShotPromptTemplate通过示例引导模型适合小样本学习。ChatPromptTemplate面向多轮对话支持角色化消息编排。