欢迎来到我的LangChain系列，如果您也和我一样,想通过学习LangChain开始AI应用开发。那就请一起来学习它的各个功能模块和demo实例。 LangChain 一 hello LLM - 掘金 (juejin.cn)

LangChain 二模型 - 掘金 (juejin.cn)

LangChain 三 Data Connections - 掘金 (juejin.cn)

前言

如果在做后端开发的时候，需要提前设计数据库。那么，在开发AI应用时，先需要设计Prompt。Prompt提示词工程，已经成为AI应用工程的重要环节。这篇，让我们一起来学习LangChain为提示词工程提供的流程和便利...

提示词

提示词即Prompt, 指向模型提供的输入。就好像SQL由几部分构成，在设计中要遵守一些范式一样，Prompt也有它自己的设计哲学，并在快速成长为一门挖金显学....

LangChain提供了一系列的类和函数，简化了构建和处理提示词的过程。

提示词模板

提示词模板，大家可以类比Vue模板（非前端不适应sorry,我是前端老狗），它可以接受传参，像vue模板一样，具备重用性。这对于我们的AI应用是非常重要的，我们的一些应用也许在交互的时候就是以几套Prompt模板构成。每套模板都能独当一面。

一个提示模板包括以下几部分：

对语言模型的指令
一组少样本示例，以帮助语言模型生成更好的回复，即few shots
向llm 提出的问题

ini 复制代码

# 引入提示词模板类
from langchain import PromptTemplate
# 模板中包含参数 src_lang dst_lang
template = """
你精通多种语言，是专业的翻译官。你负责{src_lang}到{dst_lang}的翻译工作。
"""
# 由PromptTemplate的from_template方法来生成pormpt
prompt = PromptTemplate.from_template(template)
# 调用format方法生成模板字符串
print(prompt.format(src_lang="英文", dst_lang="中文"))

从打印结果，可以感觉PromptTemplate有点类似于字符串模板编译。先定义模块，再传参，format编译。

PromptTemplate类是LangChain提供的模板基础类，它接收两个参数

input_variable 输入变量
template 模板

模板通过{}来引用输入的变量，和vue/react很像吧！

我们再来看个例子。

ini 复制代码

multiple_input_prompt = PromptTemplate(
    input_variables=["color", "animal"], 
    template="A {color} {animal} ."
)
multiple_input_prompt.format(color="black", animal="bear")

这个例子和上个例子写法不同，但是一回事。上面的例子是通过PromptTemplate.from_template(template)方法先传prompt创建模板，这个例子是真是直接通过PromptTemplate构建函数实例化的过程创建，我们通过input_variables指定了参数为color和animal,它的类型是数组，再通过template设置了模板。

聊天提示词模板

以OpenAI为例，AI聊天应用中的消息由角色、内容等构成。LangChain为我们提供了相关提示词模板。

python 复制代码

# 我们引入了ChatPromptTemplate 以及各种角色聊天模板
from langchain.prompts import (
    ChatPromptTemplate,
    PromptTemplate,
    SystemMessagePromptTemplate,
    AIMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

# 消息schema
from langchain.schema import (
    AIMessage,
    HumanMessage,
    SystemMessage
)
# 制作system_template 聊天应用系统角色为翻译专家。
system_template="You are a professional translator that translates {src_lang} to {dst_lang}."
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)
# 用户聊天模板就是简单的用户聊天内容
human_template="{user_input}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
# chat_prompt 统一system_message_prompt和human_message_prompt
# 我们向其传入两种模板
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
chat_prompt.format_prompt(
    src_lang="English",
    dst_lang="Chinese", 
    user_input="Did you eat in this morning?"
).to_messages()

输出为

vbnet 复制代码

[SystemMessage(content='You are a professional translator that translates English to Chinese.', additional_kwargs={}),
 HumanMessage(content='Did you eat in this morning?', additional_kwargs={}, example=False)]

样本选择器

在LLM应用开中，业务中，可能会有一个总的样本数据中心，就像数据中心或配置中心一样，我们的某项业务，可能只需要其中的一部分样本。LangChain 提供了样本选择器的基础接口类 BaseExampleSelector，每个选择器类必须实现的函数为 select_examples。

ini 复制代码

# PromptTemplate
from langchain.prompts import PromptTemplate
# 少量样本模板
from langchain.prompts import FewShotPromptTemplate
#
from langchain.prompts.example_selector import LengthBasedExampleSelector


# These are a lot of examples of a pretend task of creating antonyms.
examples = [
    {"input": "happy", "output": "sad"},
    {"input": "tall", "output": "short"},
    {"input": "energetic", "output": "lethargic"},
    {"input": "sunny", "output": "gloomy"},
    {"input": "windy", "output": "calm"},
]
# PromptTemplate  输入变量为input、output
example_prompt = PromptTemplate(
    input_variables=["input", "output"],
# 模板格式为如下：
    template="Input: {input}\nOutput: {output}",
)
# 基于长度的样本选择器
example_selector = LengthBasedExampleSelector(
    # 可选的样本数据
    examples=examples, 
    # 提示词模版
    example_prompt=example_prompt, 
    # 格式化的样本数据的最大长度，通过get_text_length函数来衡量
    max_length=25
)

dynamic_prompt = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    # 在样本数据前面的文字
    prefix="Give the antonym of every input",
    # 在样本数据后面的文字
    suffix="Input: {adjective}\nOutput:", 
    input_variables=["adjective"],
)

# 输入量极小，因此所有样本数据都会被选中
print(dynamic_prompt.format(adjective="big"))

输出结果为：

vbnet 复制代码

Give the antonym of every input

Input: happy
Output: sad

Input: tall
Output: short

Input: energetic
Output: lethargic

Input: sunny
Output: gloomy

Input: windy
Output: calm

Input: big
Output:

总结

我们学习了LangChain对Prompt提示词工程提供的一些基础类和开发流程
提示词即用户的AI需要模板，可以接受用户输入，我们为用户提供Prompt模板，降低用户的Prompt门槛，提升Prompt的复用性。期待与具体业务的结合。

LangChain 四 Prompts

前言

提示词

提示词模板

聊天提示词模板

样本选择器

总结

参考资料