一起学习大模型 - langchain里的 PromptTemplate详细介绍

系列文章目录

一起学习大模型 - 大模型的交互工具prompt简介与运用

一起学习大模型 - langchain里的PromptTemplate详细介绍

一起学习大模型 - langchain里PromptTemplate错误排查总结

---

文章目录

• 系列文章目录
• 前言
• [一、 安装 LangChain](#一、 安装 LangChain)
• [二、 基本用法](#二、 基本用法)
• • [1. 导入库并定义模板](#1. 导入库并定义模板)
  • [2. 填充模板](#2. 填充模板)
• [三、 进阶用法](#三、 进阶用法)
• • [1. 使用多个变量](#1. 使用多个变量)
  • [2. 嵌套模板](#2. 嵌套模板)
  • [3. 动态变量](#3. 动态变量)
• [四、 应用模板与大模型交互](#四、 应用模板与大模型交互)
• 五、疑问解答
• • [1. 举例说明](#1. 举例说明)
  • [2. 更详细的例子](#2. 更详细的例子)
• 总结

---

前言

上一篇文章我们讲了Prompt的概念和作用（大模型的交互工具 prompt简介与运用），以及如何在langchain里实现一个PromptTemplate。这篇文章我们详细介绍下 LangChain Prompt Template 的用法。

一、 安装 LangChain

首先，确保你已经安装了 LangChain 库：

pip install langchain

二、 基本用法

1. 导入库并定义模板

from langchain.prompts import PromptTemplate

# 定义一个简单的模板
template = "请用简明的语言介绍一下{topic}。"

# 创建 PromptTemplate 对象
prompt_template = PromptTemplate(
    input_variables=["topic"],  # 模板中使用的变量
    template=template  # 模板字符串
)

2. 填充模板

# 定义输入变量
input_variables = {"topic": "人工智能"}

# 使用输入变量填充模板
prompt = prompt_template.format(**input_variables)
print(prompt)  # 输出: 请用简明的语言介绍一下人工智能。

三、 进阶用法

LangChain 的 PromptTemplate 还支持更多复杂的用法，如嵌套模板和动态变量。

1. 使用多个变量

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)  # 输出: 请用简明的语言介绍一下机器学习，并解释它的应用。

2. 嵌套模板

可以创建嵌套的模板，以便在复杂的情况下重用模板。

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

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

input_variables = {"topic": "深度学习", "aspect": "基本原理"}
prompt = prompt_template.format(**input_variables)
print(prompt)  # 输出: 请用简明的语言介绍一下深度学习。并解释它的基本原理。

3. 动态变量

LangChain 支持动态生成输入变量。

def generate_topic():
    return "自然语言处理"

template = "请用简明的语言介绍一下{topic}。"

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

# 使用动态生成的变量填充模板
input_variables = {"topic": generate_topic()}
prompt = prompt_template.format(**input_variables)
print(prompt)  # 输出: 请用简明的语言介绍一下自然语言处理。

四、 应用模板与大模型交互

以下示例展示如何将创建的 prompt 应用于与 OpenAI 的大模型进行交互：

import openai
from langchain.prompts import PromptTemplate

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

# 填充模板
input_variables = {"topic": "人工智能"}
prompt = prompt_template.format(**input_variables)
print("生成的 prompt:", prompt)

# 设定 OpenAI API 密钥
openai.api_key = 'your-api-key'

# 调用 OpenAI API 生成内容
response = openai.Completion.create(
    engine="davinci-codex",  # 或者使用 "gpt-4" 模型
    prompt=prompt,
    max_tokens=150  # 设置生成内容的长度
)

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

五、疑问解答

有的同学应该会有下面的疑问

想问一下 prompt = prompt_template.format(**input_variables) 这个代码里的 **

的作用是什么

在 Python 中，** 运算符用于将字典解包（unpack）成关键字参数（keyword arguments）。它将字典中的键值对传递给函数或方法，使每个键值对变成单独的关键字参数。

具体到你的代码 prompt = prompt_template.format(**input_variables)，这里的 **input_variables 作用是将 input_variables 字典中的键值对解包成 format 方法的关键字参数。

1. 举例说明

假设 input_variables 字典如下：

input_variables = {"topic": "人工智能"}

使用 ** 解包后，相当于调用：

prompt = prompt_template.format(topic="人工智能")

这意味着字典中的键 topic 被作为关键字参数名，而对应的值 人工智能 被作为关键字参数值传递给 format 方法。

2. 更详细的例子

考虑一个更复杂的示例，包含多个键值对：

input_variables = {"topic": "机器学习", "aspect": "应用"}

使用 ** 解包后，相当于调用：

prompt = prompt_template.format(topic="机器学习", aspect="应用")

这样，format 方法就能识别并替换模板字符串中的 {topic} 和 {aspect} 占位符。

通过这种方式，** 运算符使代码更简洁和灵活，能够方便地将字典中的值传递给函数或方法。

总结

通过以上示例，我们可以看到 LangChain 的 PromptTemplate 是如何灵活地创建和管理提示模板的。这些模板可以极大地简化生成复杂提示的过程，并且可以方便地与大型语言模型进行交互。无论是简单的单变量模板，还是复杂的多变量和嵌套模板，LangChain 都能提供强大的支持。