【LangChain少样本提示工程实战】FewShotPromptTemplate原理与应用解析——附运行代码

引言

重点提炼

一、FewShotPromptTemplate作用

[1. 整合示例与模板，构建结构化提示](#1. 整合示例与模板，构建结构化提示)

[2. 引导模型理解任务逻辑](#2. 引导模型理解任务逻辑)

[3. 提升少样本场景下的模型性能](#3. 提升少样本场景下的模型性能)

[4. 支持动态示例选择（扩展功能）](#4. 支持动态示例选择（扩展功能）)

[5. 与其他模块协同工作](#5. 与其他模块协同工作)

二、适用场景

三、用户代码解析

1、依赖库

2、使用FewShotPromptTemplate创建聊天提示模板

引言

在AI工程实践中，如何让大语言模型快速适应复杂任务且避免海量数据训练？LangChain框架的FewShotPromptTemplate提供了高效解决方案。本文深入剖析其核心机制：通过结构化示例动态构建提示模板，引导模型学习分步推理逻辑，实现少样本场景下的精准输出控制。作为少样本提示工程的代表性工具，它既能减少对模型微调的依赖，又能突破零样本提示的局限性，在复杂问答、格式规范输出等场景展现显著优势。文章通过完整代码示例，演示了从示例设计、模板构建到推理链调用的全流程，并解析了模型模仿示例生成多步推理的核心原理，为开发者提供开箱即用的少样本提示工程实践指南。

重点提炼

1.核心功能

示例动态嵌入：自动化拼接示例与用户输入，构建结构化提示
推理逻辑引导：通过分步答案示例训练模型拆解复杂问题
输出格式控制：统一答案风格与流程，提升结果规范性

2.适用场景

多跳推理问答
领域专业术语处理
低资源语言/跨语言任务

3.技术优势

1-5个示例即可显著提升模型表现
支持动态示例选择器优化上下文相关性
无缝对接LangChain生态链式组件

4.实战价值

提供可复用的代码范式（含千问API接入）
解析模板变量对齐等工程细节
验证少样本提示对历史人物关系推理的实践效果

一、FewShotPromptTemplate作用

FewShotPromptTemplate 是 LangChain 中用于构建 少样本提示（Few-Shot Prompt） 的核心工具，其核心作用是通过提供少量示例引导大语言模型（LLM）理解任务模式，从而提升输出质量。

1. 整合示例与模板，构建结构化提示

动态插入示例 ：将预先定义的示例列表（examples）与问题模板（example_prompt）结合，自动生成包含示例的完整提示文本。
模板格式控制 ：通过 example_prompt 参数自定义每个示例的展示格式（如问题与答案的排版），确保示例与最终问题在结构上一致。
示例代码中，example_prompt 将每个示例格式化为"问题：{question}\n{answer}"，最终生成的提示会包含所有示例和用户输入的问题。

2. 引导模型理解任务逻辑

展示推理过程：示例中的答案通常包含分步推理（如追问、中间答案），帮助模型学习如何拆解复杂问题。
统一输出风格 ：通过示例定义输出的语气、结构和逻辑（如是否需追问、如何总结答案），确保模型生成符合预期的结果。
例如，用户提供的示例中，每个答案均以"后续问题→中间答案→最终答案"的流程呈现，模型会模仿此模式回答新问题。

3. 提升少样本场景下的模型性能

减少训练依赖：无需微调模型，仅通过少量示例即可让模型适应新任务，节省数据标注和计算资源。
缓解零样本局限性 ：当任务复杂或需要特定推理步骤时，Few-Shot 提示比 Zero-Shot（纯指令）更可靠。
研究表明，Few-Shot 提示在 1-2 个示例后性能显著提升，但过多示例可能引入噪声 。

4. 支持动态示例选择（扩展功能）

示例选择器（Example Selector）：可根据用户输入动态筛选最相关的示例（如基于语义相似度），提升提示的针对性。
灵活适应不同场景：例如在客服场景中，根据用户问题类型（如退货、咨询）匹配对应的解决流程示例。

5. 与其他模块协同工作

与链（Chain）结合：作为 LangChain 流程的一部分，FewShotPromptTemplate 可与检索器、记忆模块等结合，实现复杂任务（如多步问答）。
多模态支持：理论上支持文本、代码等多种示例类型，扩展应用场景。

二、适用场景

复杂推理任务：如多跳问答、数学问题分解。
风格/格式控制：生成特定格式的文本（如报告、邮件）。
低资源领域：缺乏标注数据时快速适配模型到新领域，如：混合多语言示例增强跨语言理解。

三、用户代码解析

用户代码中，FewShotPromptTemplate 的运作流程如下：

定义示例列表（examples），每个示例包含问题与分步答案。
创建 example_prompt，规定单个示例的展示格式。
实例化 FewShotPromptTemplate，将示例与用户输入的问题拼接成完整提示。
输出结果会包含所有示例和用户问题，模型基于此生成类似结构的答案。

1、依赖库

python 复制代码

pip install langchain-core
pip install langchain-community
pip install openai langchain-openai

说明：如果安装过程速度太慢或总是安装失败，可用镜像源进行安装。在安装命令后加上：-i https://mirrors.aliyun.com/pypi/simple/。如：pip install openai langchain-openai -i https://mirrors.aliyun.com/pypi/simple/

2、使用FewShotPromptTemplate创建聊天提示模板

准备工作：

1、申请千问大模型api key

申请教程：【千问大模型API申请教程】-CSDN博客

2.创建.env文件

需要创建".env"文件用于存放APIkey,内容写入如下：

DASHSCOPE_API_KEY="sk-xxxxxxxxxxxxxxxxxxxx" #替换为自己的API key

示例代码

python 复制代码

from langchain_core.prompts import PromptTemplate
from langchain_core.prompts import FewShotPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
import os

#1、加载配置文件
load_dotenv()

#2.调用千问大模型
qwen=ChatOpenAI(
        model="qwen-max",
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1"
        )

#3、提示词模板文本：定义包含问题和答案的示例列表
text=[
        {
    "question": "穆罕默德·阿里和艾伦·图灵谁活得更久？",
    "answer":
"""
此处是否需要后续问题：是。
后续问题：穆罕默德·阿里去世时多少岁？
中间答案：穆罕默德·阿里去世时享年74岁。
后续问题：艾伦·图灵去世时多少岁？
中间答案：艾伦·图灵去世时享年41岁。
因此最终答案是：穆罕默德·阿里
"""
  },
  {
    "question": "Craigslist的创始人何时出生？",
    "answer":
"""
此处是否需要后续问题：是。
后续问题：谁是Craigslist的创始人？
中间答案：Craigslist由克雷格·纽马克创立。
后续问题：克雷格·纽马克何时出生？
中间答案：克雷格·纽马克出生于1952年12月6日。
因此最终答案是：1952年12月6日
"""
  },
  {
    "question": "乔治·华盛顿的外祖父是谁？",
    "answer":
"""
此处是否需要后续问题：是。
后续问题：乔治·华盛顿的母亲是谁？
中间答案：乔治·华盛顿的母亲是玛丽·鲍尔·华盛顿。
后续问题：玛丽·鲍尔·华盛顿的父亲是谁？
中间答案：玛丽·鲍尔·华盛顿的父亲是约瑟夫·鲍尔。
因此最终答案是：约瑟夫·鲍尔
"""
  },
  {
    "question": "《大白鲨》和《007:大战皇家赌场》的导演是否来自同一个国家？",
    "answer":
"""
此处是否需要后续问题：是。
后续问题：《大白鲨》的导演是谁？
中间答案：《大白鲨》的导演是史蒂文·斯皮尔伯格。
后续问题：史蒂文·斯皮尔伯格来自哪里？
中间答案：美国。
后续问题：《007:大战皇家赌场》的导演是谁？
中间答案：《007:大战皇家赌场》的导演是马丁·坎贝尔。
后续问题：马丁·坎贝尔来自哪里？
中间答案：新西兰。
因此最终答案是：否
"""
  }
]

#4、定义模板格式
prompt_text=PromptTemplate(
        input_variables=["question","answer"],
        template="问题：{question}\n{answer}"
        )

#5、创建FewShotPromptTemplate实例
#传入示例列表、示例模板、后缀和输入变量
prompt=FewShotPromptTemplate(
        examples=text,
        example_prompt=prompt_text,
        suffix="问题：{input}",
        input_variables=["input"]
        )
#6、定义任务链
chain= prompt|qwen|StrOutputParser()

#7、设置问题输出结果
print(chain.invoke({"input":"爱因斯坦的外祖父是谁？"}))

运行结果

此处是否需要后续问题：是。

后续问题：爱因斯坦的母亲是谁？

中间答案：爱因斯坦的母亲是波林·科赫（Pauline Koch）。

后续问题：波林·科赫的父亲是谁？

中间答案：波林·科赫的父亲是鲁道夫·科赫（Rudolf Koch）。

因此最终答案是：鲁道夫·科赫。

【LangChain少样本提示工程实战】FewShotPromptTemplate原理与应用解析——附运行代码

引言

重点提炼

一、FewShotPromptTemplate作用

1. ​​整合示例与模板，构建结构化提示​​

2. ​​引导模型理解任务逻辑​​

3. ​​提升少样本场景下的模型性能​​

4. ​​支持动态示例选择（扩展功能）​​

5. ​​与其他模块协同工作​​

二、适用场景

三、用户代码解析

1、依赖库

2、使用FewShotPromptTemplate创建聊天提示模板

1. 整合示例与模板，构建结构化提示

2. 引导模型理解任务逻辑

3. 提升少样本场景下的模型性能

4. 支持动态示例选择（扩展功能）

5. 与其他模块协同工作