超越chatGPT:学习使用prompts模板来调教LLM的输入输出，打造自己版本的"贾维斯"
1 Model I/O：LLM的交互接口
任何语言模型应用程序的核心要素都是......模型。LangChain 为您提供了与任何语言模型连接的构件。
即 Prompts -> Language models -> Output parsers。
2 基于prompts模板的输入工程
prompts模板：更加高级和灵活的提示词工程。
2.1 优秀的提示词
【立角色】：引导Al进入具体场景，赋予其行家身份
【述问题】：告诉AI你的困惑和问题及背景信息
【定目标】：告诉AI你的需求，希望达成的目标
【补要求】：告诉AI回答时注意什么，或者如何回复
2.2 提示词模版
- 将提示词提炼成模板
- 实现提示词的复用、版本管理、动态变化等
2.3 提示词模版实战
2.3.1 字符串模板-PromptTemplate
python
from langchain.prompts import PromptTemplate
prompt = PromptTemplate.from_template("你是一个{name},帮我起1个具有{county}特色的{sex}名字")
prompt.format(name="算命大师",county="法国",sex="女孩")2.3.2 聊天模板-ChatPromptTemplate
直接构造一个完整 list
python
# 对话模板具有结构，chatmodels
from langchain.prompts import ChatPromptTemplate
chat_template = ChatPromptTemplate.from_messages(
[
("system", "你是一个起名大师. 你的名字叫{name}."),
("human", "你好{name},你感觉如何？"),
("ai", "你好！我状态非常好!"),
("human", "你叫什么名字呢?"),
("ai", "你好！我叫{name}"),
("human", "{user_input}"),
]
)
chat_template.format_messages(name="陈大师", user_input="你的爸爸是谁呢?")或者一个个构造，最后再合并
python
from langchain.schema import SystemMessage
from langchain.schema import HumanMessage
from langchain.schema import AIMessage
# 直接创建消息
sy = SystemMessage(
content="你是一个起名大师",
additional_kwargs={"大师姓名": "陈瞎子"}
)
hu = HumanMessage(
content="请问大师叫什么?"
)
ai = AIMessage(
content="我叫陈瞎子"
)
[sy,hu,ai]LangChain 已经将这些角色都提供了模板：
python
from langchain.prompts import AIMessagePromptTemplate
from langchain.prompts import SystemMessagePromptTemplate
from langchain.prompts import HumanMessagePromptTemplate
from langchain.prompts import ChatMessagePromptTemplate看示例：
python
from langchain.prompts import ChatMessagePromptTemplate
prompt = "愿{subject}与你同在！"
chat_message_prompt = AIMessagePromptTemplate.from_template(template=prompt)
chat_message_prompt.format(subject="原力")
chat_message_prompt = ChatMessagePromptTemplate.from_template(role="天行者",template=prompt)
chat_message_prompt.format(subject="原力")2.3.3 自定义模板
python
##函数大师：根据函数名称，查找函数代码，并给出中文的代码说明
from langchain.prompts import StringPromptTemplate
# 定义一个简单的函数作为示例效果
def hello_world(abc):
print("Hello, world!")
return abc
PROMPT = """\
你是一个非常有经验和天赋的程序员，现在给你如下函数名称，你会按照如下格式，输出这段代码的名称、源代码、中文解释。
函数名称: {function_name}
源代码:
{source_code}
代码解释:
"""
import inspect
def get_source_code(function_name):
#获得源代码
return inspect.getsource(function_name)
#自定义的模板class
class CustomPrompt(StringPromptTemplate):
def format(self, **kwargs) -> str:
# 获得源代码
source_code = get_source_code(kwargs["function_name"])
# 生成提示词模板
prompt = PROMPT.format(
function_name=kwargs["function_name"].__name__, source_code=source_code
)
return prompt
a = CustomPrompt(input_variables=["function_name"])
pm = a.format(function_name=hello_world)
print(pm)
#和LLM连接起来
from langchain.llms import OpenAI
import os
api_base = os.getenv("OPENAI_PROXY")
api_key = os.getenv("OPENAI_API_KEY")
llm = OpenAI(
model="gpt-3.5-turbo-instruct",
temperature=0,
openai_api_key=api_key,
openai_api_base=api_base
)
msg = llm.predict(pm)
print(msg)2.3.4 使用jinji2与f-string来实现提示词模板格式化
f-string是python内置的一种模板引擎
python
from langchain.prompts import PromptTemplate
fstring_template = """
给我讲一个关于{name}的{what}故事
"""
prompt = PromptTemplate.from_template(fstring_template)
prompt.format(name="翠花", what="悲伤")2.3.5 组合式提示词模板
- Final prompt: 最终返回的提示词模板
- Pipeline prompts：组成提示词管道的模板
python
from langchain.prompts.pipeline import PipelinePromptTemplate
from langchain.prompts.prompt import PromptTemplate三层提示词设计：
python
# Final Prompt由一系列变量构成
full_template = """{Character}
{behavior}
{prohibit}"""
full_prompt = PromptTemplate.from_template(full_template)第一层基本性格设计：
python
Character_template = """你是{person}，你有着{xingge}."""
Character_prompt = PromptTemplate.from_template(Character_template)第二层行为设计：
python
behavior_template = """你遵从以下的行为:
{behavior_list}
"""
behavior_prompt = PromptTemplate.from_template(behavior_template)第三层不允许的行为：
python
prohibit_template = """你不允许有以下行为:
{prohibit_list}
"""
prohibit_prompt = PromptTemplate.from_template(prohibit_template)将三层提示词组合起来：
python
input_prompts = [
("Character", Character_prompt),
("behavior", behavior_prompt),
("prohibit", prohibit_prompt)
]
pipeline_prompt = PipelinePromptTemplate(final_prompt=full_prompt, pipeline_prompts=input_prompts)打印下组合后模板里的可传递参数：
python
pipeline_prompt.input_variables
python
pm = pipeline_prompt.format(
person="埃隆马斯克",
xingge="钢铁般的意志，你是世界首富，精通物理、天文、商业，你是商业奇才，你的终极梦想是殖民火星.",
behavior_list="1.你喜欢冒险 \n 2.你非常崇拜爱因斯坦 \n 3.你总是乐于助人，回答用户各种问题.",
prohibit_list="1.你不可以说自己是一个人工智能助手或者机器人 \n 2.当你不知道答案的时候，可以说让我再想想. "
)
print(pm)执行结果：
2.4 序列化：使用文件管理提示词模板
- 便于共享
- 便于版本管理
- 便于存储
- 支持常见格式(json/yaml/txt)
一个提示词模板
simple_prompt.yaml：
yaml
_type: prompt
input_variables:
["name","what"]
template:
给我讲一个关于{name}的{what}故事simple_prompt.json：
yaml
{
"_type":"prompt",
"input_variables":["name","what"],
"template":"给我讲一个关于{name}的{what}故事"
}
python
from langchain.prompts import load_prompt
python
#加载yaml格式的prompt模版
prompt = load_prompt("simple_prompt.yaml")
print(prompt.format(name="小黑",what="恐怖的"))
python
#加载json格式的prompt模版
prompt = load_prompt("simple_prompt.json")
print(prompt.format(name="小红",what="搞笑的"))
支持加载文件格式的模版，并且对prompt的最终解析结果进行自定义格式化
python
prompt = load_prompt("prompt_with_output_parser.json")
prompt.output_parser.parse(
"George Washington was born in 1732 and died in 1799.\nScore: 1/2"
)
参考：
关注我，紧跟本系列专栏文章，咱们下篇再续！
作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。
各大技术社区头部专家博主。具有丰富的引领团队经验，深厚业务架构和解决方案的积累。
负责：
中央/分销预订系统性能优化
活动&券等营销中台建设
交易平台及数据中台等架构和开发设计
车联网核心平台-物联网连接平台、大数据平台架构设计及优化
LLM应用开发
目前主攻降低软件复杂性设计、构建高可用系统方向。
参考：