prompt第三讲-PromptTemplate

远方的旅行者2024-07-14 16:02

文章目录

前提回顾

前面已经讲了什么是prompt模板，以及什么是prompt和prompt value，并且用langchain来实现了一个中英翻译助手,下面是部分代码，如果要看完整代码，请看上一小节
prompt第二讲-langchain实现中英翻译助手

python 复制代码 
# -*- coding: utf-8 -*-
"""
@Time ： 2024/7/8 9:44
@Auth ： leon
"""
from langchain_core.prompts import PromptTemplate
# 1. prompt模板定义
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")

从上面可以看出，定义prompt模板用到的是PromptTemplate，所以下面就来讲讲PromptTemplate

PromptTemplate

首先来讲讲prompt模板的定义，定义出了模板之后，就可以根据不同的变量来产出不同的prompt value，prompt value

就可以随时的转为字符串和message，字符串就是我们说的prompt，message最终底层也是转为字符串的，也是prompt。

那在langchain中，prompt模板定义方法有很多种，而PromptTemplate是其中的一种

prompt 模板定义

通过PromptTemplate的from_template方法来定义出一个PromptTemplate

以f-string渲染格式

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 1. prompt模板定义
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
print(prompt_template.template)
print(prompt_template.input_variables)
print(prompt_template.template_format)
print(prompt_template.input_types)
print(prompt_template.partial_variables)

代码原理

  1. 传入一个具有一定格式的字符串，上面默认是python原生支持的f-string格式形式，变量要以{}的形式。
  2. 传入到PromptTemplate的from_template方法后，会默认根据f-string的形式来解析这个字符串，提取出中括号里的变量
  3. 根据解析出的内容实例化一个PromptTemplate对象，将传入的字符串放到template中，提取的变量放到input_variables中

以mustache渲染格式

上面是默认以f-string的格式识别和处理传入的模板，我们可以不显示的指定参数，但是如果以mustache形式渲染，则需要显示的指定，

mustache则是以{{}}的形式来定义变量

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 1. prompt模板定义
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{{user_input_words}}->answer：
""",
template_format="mustache")
print(prompt_template.template)
print(prompt_template.input_variables)
print(prompt_template.template_format)
print(prompt_template.input_types)
print(prompt_template.partial_variables)

以jinja2渲染格式

jinja2定义变量的形式和mustache是一样的，都是{{}}的形势

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 1. prompt模板定义
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{{user_input_words}}->answer：
""",
template_format="jinja2")
print(prompt_template.template)
print(prompt_template.input_variables)
print(prompt_template.template_format)
print(prompt_template.input_types)
print(prompt_template.partial_variables)

直接实例化PromptTemplate

在第一个以f-string那部分我进行了简单的代码讲解，我们发现其实本质上就是先解析我丢进去的模板，然后将解析的内容作为参数，来实例化一个PromptTemplate

既然最终都要实例化PromptTemplate对象，那为啥不直接就来实例化呢？下面我们就直接来实例化PromptTemplate，顺便也能看到langchain定义的这个模板内部

是什么结构。

python 复制代码 
from langchain_core.prompts import PromptTemplate
prompt_template = PromptTemplate(template="""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{{user_input_words}}->answer：
""",
input_variables=['user_input_words'])
print(prompt_template.template)
print(prompt_template.input_variables)
print(prompt_template.template_format)
print(prompt_template.input_types)
print(prompt_template.partial_variables)

PromptTemplate核心变量

从最后直接实例化方法和我添加的print打印的信息来看，我们先来看看PromptTemplate具有的几个最核心的字符串

  1. template：用于存储字符串模板
  2. input_variables：用于存储变量，这个变量可以是直接从字符串模板中解析出来，也可以是自己指定，只要是和模板中的变量一样就行
  3. template_format：渲染的格式，这个格式指导着如何解析template
  4. partial_variables：这是一个前置变量，可以被前置定义，这个我后面用到的时候会自然的引出

前三种方法和最后一种的差别只是在于，前三种帮我们自动提取了变量，而最后一种则是我们直接告诉PromptTemplate变量是谁

prompt value生成

PromptTemplate因为继承了底层的runnable，所以关于prompt valu的生成都是遵守runnable的接口的（invoke ainvoke batch ...）

通过这些接口可以将用户传入的变量添加到prompt模板中生成1个或者多个prompt

invoke

invoke实现了单输入单输出的关系，通常要求传入一个关于变量赋值的字典，生成prompt value。传入的字典中：

key为模板变量，value为具体的变量值

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 1. 以f-string格式渲染
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
# 1.1. invoke传入字典
prompt = prompt_template.invoke({"user_input_words":"你好"})
print(prompt)

但是如果模板中变量只有一个，可以直接传入值，而无需指定变量（出于规范考虑，不建议直接传入变量）

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 1. 以f-string格式渲染
prompt_template = PromptTemplate.from_template("""
你是一个中英文翻译助手，你需要把我发给你的question翻译为英文，下面的examples是一些具体翻译的案例，翻译的时候请参考案例来翻译，注意只输出最终翻译的结果,：
examples：
question：美丽->beautiful;
question：男孩->boy;
question：男人->man；
question：456->four hundred and fifty-six;
question：1->one;
question：34->thirty-four
question：{user_input_chinese}
""")
prompt = prompt_template.invoke("你好")
print(prompt)

下面根据源码讲解一下invoke的原理
invoke原理

  1. 校验config
  2. 校验输入变量
    3. 输入变量如果不是一个字典，并且模板中只有一个变量的话，就会将input_variables中保存的变量名拿出来，组成一个字典
    4. 如果传入的是一个字典，如果字典和保存在input_variables中有差异，则报错。
    5. 返回校验后的输入字典
  3. 格式化模板（交给子类），生成prompt value
    注意：最后的结果中，生成是一个prompt value，而不是一个prompt，前面也提到了，这和prompt的差别就在于prompt value提供了字符串到message的互转
format_prompt(不建议使用)
python 复制代码 
from langchain_core.prompts import PromptTemplate
# 1. 以f-string格式渲染
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
prompt= prompt_template.format_prompt(user_input_words="你好")
print(prompt)

这个方法本质上就是直接完成invoke的第3步的工作，invoke第3步就是调用了这个方法，所以可以说这个方法和invoke的差别在于少了一些前置的校验。

同时呢？考虑到和runnable的使用范式的统一，这个方法我个人是不建议使用。

format(不建议使用)
python 复制代码 
from langchain_core.prompts import PromptTemplate
# 1. 以f-string格式渲染
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
prompt= prompt_template.format(user_input_words="你好")
print(prompt)

这个方法本质上就是是完成format_prompt的子任务，等于说format是直接生成了一个字符串的prompt，format_prompt进一步将其包装为prompt value

同样的，考虑到和runnable的使用范式的统一，这个方法我个人是不建议使用。

batch

batch实现了多输入多输出的关系，传入多组变量字典，生成多个prompt value

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 1. 以f-string格式渲染
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
prompt = prompt_template.batch([{"user_input_words":"你好"},{"user_input_words":"你是谁？"}])
print(prompt)

batch的本质我已经在最开始就讲过，如果没有特殊情况，遵从的就是runnable的batch设计原理：runnable底层原理

stream

batch实现了流式输出效果，流式输出prompt value

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 1. 以f-string格式渲染
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
for i in prompt_template.stream({"user_input_words":"Jinja2 是一个功能更加强大的 Python 模板引擎，常用于 Web 开发，尤其是 Flask 和 Django 框架中。它支持复杂的控制结构，如循环和条件语句"}):
    print(i)

这里其实是看不出流输出的感觉的，是因为prompt value本身就不支持挨个yield单个字词出来，关于它的原理，参考我之前讲的：：runnable底层原理

ainvoke

异步实现单输入单输出关系

python 复制代码 
import asyncio
from langchain_core.prompts import PromptTemplate
# 1. 以f-string格式渲染
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将中文翻译为英文，请将我发送给你的question的内容翻译为英文，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
async def main():
    return await asyncio.gather(prompt_template.ainvoke({"user_input_words":"你好"}),prompt_template.ainvoke({"user_input_words":"我不好"}))

res = asyncio.run(main())
print(res)

ainvoke的本质我已经在最开始就讲过，如果没有特殊情况，遵从的就是runnable的ainvoke设计原理：runnable底层原理

其他的还有abatch、astream，道理是差不多的。

PromptTemplate核心方法

前面总结了PromptTemplate的几个核心变量，现在总结一下PromptTemplate核心方法

  1. invoke：单输入单输出关系，传递一组变量字典，得到一个prompt value
    2. format_prompt:invoke的底层支持，生成prompt value
    3. format:format_prompt的底层支持，生成字符串prompt
  2. batch：多输入多输出关系，传递多组变量字典，得到多个prompt value
  3. stream：流式输出prompt value
  4. ainvoke：异步invoke
  5. abatch：异步batch
  6. astream：异步stream

partial变量

上面我们举了一个中文到英文的翻译助手

现在我们可以做得更宽泛一些，可以做一个翻译助手，至于是翻译什么语言到什么语言，则交给用户自己去定义

这里就用到了partital，它本质就是在生成真正的prompt前先固定一些变量，根据partital变量生成一个新的prompt模板

下面还是通过两种方法来讲解这个变量

partial方法
python 复制代码 
# -*- coding: utf-8 -*-
"""
@Time ： 2024/7/8 9:44
@Auth ： leon
"""
from langchain_core.prompts import PromptTemplate
# 4. 定义部分变量
prompt_template = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将{source_language}翻译为{dst_language}，请将我发送给你的question的内容翻译为{dst_language}，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
lag2lag = input("你想我成为什么翻译助手(格式如：中文-英文)：")
source_language,dst_language = lag2lag.split('-')
new_prompt_template = prompt_template.partial(source_language=source_language,dst_language=dst_language)
print("助手初始化完毕，您的翻译助手上线！！！")
# 2. llm定义
from langchain_community.llms import Tongyi
from pydantic_settings import BaseSettings,SettingsConfigDict

"""
2,1 获取千问的key
我这么写的原因是因为方便我上传项目到github的同时，不暴露我的key，所以我把可以key保存到了最外部的一个.env文件中
这样我每一次同步到github的时候就不会把key也推出去，你们测试的时候，可以直接写成
qwen_key="sk-cc2209cec48c4bc966fb4acda169e",这样省事。
"""
class ModelConfig(BaseSettings):
    model_config = SettingsConfigDict(env_file="../../../.env",env_file_encoding="utf-8")
    qwen_key:str
    deepseek_key:str
    deepseek_base_url:str

model_config = ModelConfig()
qwen_key = model_config.qwen_key
# 1. 读取配置信息,获取模型key
llm = Tongyi(dashscope_api_key=qwen_key)


while(True):
    user_input_word = input(f"请输入需要翻译的{source_language}：")
    if user_input_word.lower() =="quit":
        break
    else:
        prompt = new_prompt_template.invoke({"user_input_words":user_input_word})
        print(llm.invoke(prompt))

下面分析一下原理
partial方法原理

  1. 传入变量并赋值到初始的prompt模板中，生成新的prompt模板
  2. 传入的变量保存到partical_variables中
  3. 从最开始模板中的input_variables中剔除partical_variables部分，
    也就是说，最开始所有的变量都属于input_variables，当你调用了partial方法之后，input_variables中的部分变量会被移动到partical_variables中
直接实例化指定partical_variables
python 复制代码 
# -*- coding: utf-8 -*-
"""
@Time ： 2024/7/8 9:44
@Auth ： leon
"""
from langchain_core.prompts import PromptTemplate
# 4. 定义部分变量
lag2lag = input("你想我成为什么翻译助手(格式如：中文-英文)：")
source_language,dst_language = lag2lag.split('-')

prompt_template = PromptTemplate(template="""
你是一个翻译助手，你擅长将{source_language}翻译为{dst_language}，请将我发送给你的question的内容翻译为{dst_language}，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
"""
,input_variables=["user_input_words"]
,partial_variables={'source_language':source_language,"dst_language":dst_language})

print("助手初始化完毕，您的翻译助手上线！！！")
# 2. llm定义
from langchain_community.llms import Tongyi
from pydantic_settings import BaseSettings,SettingsConfigDict

"""
2,1 获取千问的key
我这么写的原因是因为方便我上传项目到github的同时，不暴露我的key，所以我把可以key保存到了最外部的一个.env文件中
这样我每一次同步到github的时候就不会把key也推出去，你们测试的时候，可以直接写成
qwen_key="sk-cc2209cec48c4bc966fb4acda169e",这样省事。
"""
class ModelConfig(BaseSettings):
    model_config = SettingsConfigDict(env_file="../../../.env",env_file_encoding="utf-8")
    qwen_key:str
    deepseek_key:str
    deepseek_base_url:str

model_config = ModelConfig()
qwen_key = model_config.qwen_key
# 1. 读取配置信息,获取模型key
llm = Tongyi(dashscope_api_key=qwen_key)


while(True):
    user_input_word = input(f"请输入需要翻译的{source_language}：")
    if user_input_word.lower() =="quit":
        break
    else:
        prompt = prompt_template.invoke({"user_input_words":user_input_word})
        print(llm.invoke(prompt))

save保存

ok了，现在我们开发好了一个翻译助手了，核心就是设计了一个prompt模板，现在我想要发布到开源社区或者给别人

使用，我们可以保存这个模板，但是需要注意两点：

  1. 如果你的模板里含有partial_variables，是无法保存的；
  2. 只能保存为json格式或者是yml格式
    所以综合这两种考虑，我们不能保存调用过partial方法后的prompt模板，也不能保存直接实例化时指定了partial_variables的模板，我们只能保存最初的模板，这也符合需求，因为你保存了调用
    partial后的模板的话，这些前置变量的值都被填进去了，用户也没法自定义，也就失去了这个模板的意义，所以下面演示一下如何保存最初的prompt模板

最重要：你可以观察一下保存后的文件，如果有中文，则只会显示16进制，但是现在的保存方法，是不支持传入编码参数的，如果你要让他正常显示中文和加载中文，需要到源码下的修改save方法，
在open的时候加入编码参数,这一点来看langchain还是不够国际化，垃圾

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 5. 保存prompt模板
from langchain_core.prompts import PromptTemplate
# 5. 保存prompt模板
prompt_template_1 = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将{source_language}翻译为{dst_language}，请将我发送给你的question的内容翻译为{dst_language}，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
prompt_template_1.save("./data/translate-lang2lang.yml")

from_file加载

加载上一步保存的prompt模板文件，加载之后又可以正常使用partical了。

同样的，需要注意编码问题。

python 复制代码 
from langchain_core.prompts import PromptTemplate
prompt_template = PromptTemplate.from_file("data/translate-lang2lang.yml")
lag2lag = input("你想我成为什么翻译助手(格式如：中文-英文)：")
source_language,dst_language = lag2lag.split('-')
new_prompt_template = prompt_template.partial(source_language=source_language,dst_language=dst_language)
print(new_prompt_template)

其他的还有一些方法和属性，下面简单的列举一下

dict

将prompt模板转为字典

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 5. 保存prompt模板
prompt_template_1 = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将{source_language}翻译为{dst_language}，请将我发送给你的question的内容翻译为{dst_language}，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")
print(prompt_template_1.dict())
add

实现了prompt模板之间的相加

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 5. 保存prompt模板
prompt_template_1 = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将{source_language}翻译为{dst_language}，请将我发送给你的question的内容翻译为{dst_language}，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")

prompt_template_3 = PromptTemplate.from_template("""这是第二个prompt模板:{user_input_words_3}""")
new_prompt = prompt_template_1+"这是新的模板：{user_input_words_2}"+prompt_template_3
print(new_prompt)

从上面可以看出，相加的对象可以是多个PromptTemplate之间，也可以是PromptTemplate和字符串直接

本质上就是将模板统一，变量统一

from_examples

根据案例实例化一个PromptTemplate（不够优雅，不细讲了，后面会有更优雅的方法）

属性

python 复制代码 
from langchain_core.prompts import PromptTemplate
# 5. 保存prompt模板
prompt_template_1 = PromptTemplate.from_template("""
你是一个翻译助手，你擅长将{source_language}翻译为{dst_language}，请将我发送给你的question的内容翻译为{dst_language}，不要返回无关的内容，只需返回最终翻译结果，下面的history examples中提供了一些具体的案例，为你提供一些参考：

## history examples:
question:美丽->answer:beautiful;
question:男孩->answer:boy;
question:男人->answer:man;
question:456->answer:four hundred and fifty-six;
question:1->answer:one;
question:34->answer:thirty-four;

## user true task:
question：{user_input_words}->answer：
""")

print(prompt_template_1.InputType)
print(prompt_template_1.OutputType)
print(prompt_template_1.input_schema)
print(prompt_template_1.output_schema)
print(prompt_template_1.config_schema)

稍微总结一下：

  1. InputType:获取输入类型
  2. OutputType：获取输出类型
  3. input_schema：获取输入schema
  4. output_schema：获取输出schema
  5. config_schema：获取config的schema

总结

基本上PromptTemplate也已将讲完了，下面做一个小总结

  1. 变量
    2. template：用于存储字符串模板
    3. input_variables：用于存储变量，这个变量可以是直接从字符串模板中解析出来，也可以是自己指定，只要是和模板中的变量一样就行
    4. template_format：渲染的格式，这个格式指导着如何解析template
    5. partial_variables：这是一个前置变量，可以被前置定义
  2. 方法
    1. invoke：单输入单输出关系，传递一组变量字典，得到一个prompt value
      2. format_prompt:invoke的底层支持，生成prompt value
      3. format:format_prompt的底层支持，生成字符串prompt
    2. batch：多输入多输出关系，传递多组变量字典，得到多个prompt value
    3. stream：流式输出prompt value
    4. ainvoke：异步invoke
    5. abatch：异步batch
    6. astream：异步stream
    7. dict：将prompt模板转为字典
  3. 属性
    1. InputType:获取输入类型
    2. OutputType：获取输出类型
    3. input_schema：获取输入schema
    4. output_schema：获取输出schema
    5. config_schema：获取config的schema

遗留问题

从案例来说，还有一个问题，就是当我们在做翻译助手的时候，当我们是中英文翻译助手的时候，案例是符合我们的标准的，但是当我们是其他的翻译助手

时，比如中德翻译时，案例就对不上了，这也是下一章我们要解决的问题。

附上筋斗云，会有完整教程和代码：https://github.com/traveler-leon/langchain-learning.git

相关推荐
米小虾36 分钟前
Loop Engineering —— 循环的设计与自主执行
人工智能·agent
米小虾1 小时前
Harness Engineering —— 系统的安全护栏
人工智能·agent
火山引擎开发者社区1 小时前
积分当钱花，火山引擎开发者激励计划首月消费双倍回馈
人工智能
aqi002 小时前
15天学会AI应用开发（十）把文本嵌入模型换成国产模型
人工智能·python·ai编程
MobotStone2 小时前
为什么在AI时代，“好奇心”成了最值钱的能力？
人工智能
武子康3 小时前
调查研究-200 llama.cpp b9754：一次很小但很关键的 Agent 工具调用修复
人工智能·agent·llama
Ralph_Salar3 小时前
从0到1搭建AI智能支付风控助手Stage1-RAG知识库升级 — 元数据让检索更精准
人工智能
武子康3 小时前
调查研究-199 MCP Zero-Touch OAuth：为什么它是 MCP 进入企业生产的关键门槛？
人工智能·agent·mcp
热门推荐
012026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？022026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？032026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf04飞书长连接_事件订阅（接收消息，审批任务状态变更）05Trae国际版与国内版深度测评：AI原生IDE的双生花06【AI】2026 年具身智能模型和世界模型总结07GitHub 镜像站点08Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析092026年AI架构实战：彻底解决OpenAI接口超时与封号，Python调用GPT-5.2/Sora2企业级架构详解（附源码+压测报告）102026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？