Langchain Prompt Template 介绍

Langchain 提供了一种强大的方式来简化和优化对大型语言模型的交互，特别是通过使用 Prompt Template（提示模板）来生成动态和灵活的提示。本文将深入探讨 Langchain 中 Prompt Template 的使用方法，包括创建、应用以及如何通过 Few Shot Examples 提升生成结果的质量。

什么是 Prompt Template?

Prompt Template 是一种用于生成模型输入的模板化方法。通过指定一组参数，Prompt Template 可以动态生成适合特定场景的提示。这种方法不仅提高了生成提示的效率和一致性，还能通过预定义的结构来减少错误。

Prompt Template 包含以下核心要素：

语言模型指令：对模型行为的具体要求。
Few Shot Examples：一组示例，用于帮助模型更好地理解和响应。

Langchain Logo

如何创建 Prompt Template

Langchain 提供了一个简单而灵活的类 PromptTemplate 用于创建提示模板。可以通过硬编码或动态参数化来定义模板。

示例代码

from langchain import PromptTemplate

template = """
I want you to act as a naming consultant for new companies.
What is a good name for a company that makes {product}?
"""

prompt = PromptTemplate(
    input_variables=["product"],
    template=template,
)
prompt.format(product="colorful socks")

在上面的示例中，通过定义一个模板字符串和一组输入变量，我们可以生成具体的提示内容。Langchain 的灵活性还允许用户通过 from_template 方法自动推断输入变量。

Few Shot Examples 的作用

Few Shot Examples 是指一组示例，它们可以帮助模型生成更准确的响应。这些示例通过提供上下文和预期输出，指导模型理解复杂的请求。

示例代码

from langchain import PromptTemplate, FewShotPromptTemplate

examples = [
    {"word": "happy", "antonym": "sad"},
    {"word": "tall", "antonym": "short"},
]

example_formatter_template = """
Word: {word}
Antonym: {antonym}n
"""
example_prompt = PromptTemplate(
    input_variables=["word", "antonym"],
    template=example_formatter_template,
)

few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="Give the antonym of every input",
    suffix="Word: {input}nAntonym:",
    input_variables=["input"],
    example_separator="nn",
)

print(few_shot_prompt.format(input="big"))

通过 Few Shot Examples，用户可以大幅提升模型的响应质量，尤其是在处理复杂或不常见的请求时。

Prompt Template 的高级用法

使用多个变量

Prompt Template 支持多个输入变量，这使得模板可以在更复杂的场景中使用。

代码示例

template = "请用简明的语言介绍一下{topic}，并解释它的{aspect}。"

prompt_template = PromptTemplate(
    input_variables=["topic", "aspect"],
    template=template
)

input_variables = {"topic": "机器学习", "aspect": "应用"}
prompt = prompt_template.format(**input_variables)
print(prompt)

嵌套模板

通过嵌套模板，用户可以在复杂场景中重用模板，提高代码的复用性和可维护性。

聊天提示模板

Langchain 还支持聊天模型的提示模板，通过 ChatPromptTemplate 可以轻松构建带有角色的聊天提示。

代码示例

from langchain.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

system_message_prompt = SystemMessagePromptTemplate.from_template("您是将 {input_language} 翻译成 {output_language} 的得力助手。")
human_message_prompt = HumanMessagePromptTemplate.from_template("{text}")

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

chat_prompt.format_prompt(input_language="English", output_language="French", text="I love programming.").to_messages()

通过这种方式，用户可以构建复杂的聊天机器人，支持多角色交互。

Langchain Chat

应用模板与大模型交互

Prompt Template 可以与 OpenAI 等大模型结合使用，生成高质量的内容。

示例代码

import openai
from langchain.prompts import PromptTemplate

template = "请用简明的语言介绍一下{topic}。"
prompt_template = PromptTemplate(
    input_variables=["topic"],
    template=template
)

input_variables = {"topic": "人工智能"}
prompt = prompt_template.format(**input_variables)

openai.api_key = 'your-api-key'

response = openai.Completion.create(
    engine="davinci-codex",
    prompt=prompt,
    max_tokens=150
)

print("模型的响应:", response.choices[0].text.strip())

总结

Langchain 的 Prompt Template 提供了一种简洁而强大的方式来与大型语言模型交互。通过灵活的模板定义和 Few Shot Examples 的支持，用户可以显著提高生成内容的质量和效率。

FAQ

问：Prompt Template 与 Few Shot Examples 如何结合使用？
- 答：Few Shot Examples 可以作为 Prompt Template 的一部分，提供示例以帮助模型生成更准确的响应。
问：如何在 Prompt Template 中使用多个变量？
- 答：可以通过在模板中定义多个占位符，并在格式化时传入相应的变量来实现。
问：Chat Prompt Template 有什么优势？
- 答：Chat Prompt Template 支持多角色的交互，能够更好地模拟真实的对话场景。