langchain 提示模版 PromptTemplate

1. 引入

from langchain.prompts import PromptTemplate

2. 定义模版

1. PromptTemplate 直接实例化

python 复制代码
PromptTemplate(
	# 字符串类型。使用{}作为占位符
	template="你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。", 
	 # 数组。值必须是占位符中的字符串,表示在format时为必填
	 # 经过测试,该属性可以不写,只要不在partial_variables中出现的值都会自动在这里
	input_variables=["input_language"],
	# 字典类型。可选。作用:预先固定模版的值,相当于一个默认值,不需要format时输入,如果format中有输入则覆盖此值
	partial_variables={"output_language":"德语"}
)
# 结果
# PromptTemplate(input_variables=['input_language'], input_types={}, partial_variables={'output_language': '德语'}, template='你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。')
  • 不使用input_variablespartial_variables的示例1
python 复制代码
PromptTemplate(
	template="你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。"
	)
# 结果,可以看到自动将模版加入了input_variables,并且partial_variables没有值
'''
PromptTemplate(
	input_variables=['input_language', 'output_language'], 
	input_types={}, 
	partial_variables={}, 
	template='你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。')
'''
  • 不使用input_variables的示例2
python 复制代码
PromptTemplate(
	template="你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。",
	partial_variables={"output_language":"德语"}
)
# 结果:input_variables的值是排除了partial_variables的值
'''
PromptTemplate(
	input_variables=['input_language'], 
	input_types={}, 
	partial_variables={'output_language': '德语'}, 
	template='你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。')
'''

2. from_template

和上面的PromptTemplate没有区别

python 复制代码
# 定义模板和输入变量
template_str = (
    "你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。"
    "请翻译以下内容:'{text}'"
)
prompt_template = PromptTemplate.from_template(
	# 无需手动写 input_variables,方法会自动提取模板中所有 {} 包裹的变量名
	template=template_str, 	
)
# 上面的方法等同于
prompt_template = PromptTemplate(
	template=template_str,
	input_variables=["input_language","output_language","text"]
)

2. 模版赋值

python 复制代码
prompt1 = PromptTemplate(template="你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。",partial_variables={"output_language":"德语"})

# 使用partial_variables固定值
prompt1.format(input_language="日语")
# 结果:'你是一个专业的翻译助手,擅长将日语文本准确翻译成德语。'

# 不使用partial_variables固定值
prompt1.format(input_language="英语",output_language="法语")
# 结果:'你是一个专业的翻译助手,擅长将英语文本准确翻译成法语。'
python 复制代码
# from_template构建的模版和上面的结果一样
prompt2 = PromptTemplate.from_template(template="你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。",partial_variables={"output_language":"德语"})

prompt2.format(input_language="英语",output_language="法语")
# '你是一个专业的翻译助手,擅长将英语文本准确翻译成法语。'
prompt2.format(input_language="日语")
# '你是一个专业的翻译助手,擅长将日语文本准确翻译成德语。'

3. invoke赋值

  • 注意参数为字典类型
python 复制代码
prompt1 = PromptTemplate(template="你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。",partial_variables={"output_language":"德语"})

# 使用partial_variables固定值
prompt1.invoke({"input_language":"英语"})
# 结果:StringPromptValue(text='你是一个专业的翻译助手,擅长将英语文本准确翻译成德语。')

# 不使用partial_variables固定值
prompt1.invoke({"input_language":"英语","output_language":"法语"})
# 结果:StringPromptValue(text='你是一个专业的翻译助手,擅长将英语文本准确翻译成法语。')

4. 部分赋值PromptTemplate.partial

不用一次性将模版所有的值赋值,从结果可以看出相当于给了partial_variables的值

python 复制代码
prompt3 = PromptTemplate.from_template(template="你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。")
prompt3.partial(output_language="德语")
# 结果 
'''
PromptTemplate(
	input_variables=['input_language'], 
	input_types={}, 
	partial_variables={'output_language': '德语'}, 
	template='你是一个专业的翻译助手,擅长将{input_language}文本准确翻译成{output_language}。')
'''
相关推荐
FreakStudio16 分钟前
W55MH32L-EVB 上手测评:硬件 TCP/IP 加持的以太网单片机,MicroPython 零门槛开发
python·单片机·嵌入式·大学生·面向对象·并行计算·电子diy·电子计算机
颜酱1 小时前
LangGraph 入门指南
langchain
用户0332126663672 小时前
使用 Python 从零创建 Word 文档
python
Csvn6 小时前
Python 两大经典坑点 —— 可变默认参数 & 闭包延迟绑定
后端·python
曲幽7 小时前
别再用网页翻译看源码了!你的私人翻译神器LibreTranslate,部署避坑指南来了
python·docker·web·pot·translate·libretranslate·arogstranslate
用户556918817539 小时前
#从脚本到独立程序:Python + Playwright 批量抓取的完整踩坑记录
python·自动化运维
兵慌码乱1 天前
基于 MediaPipe 与 PySide2 的手势交互音乐控制系统实现:轻量化视觉交互全流程解析
python·opencv·计算机视觉·人机交互·手势识别·mediapipe·pyside2
luckdewei1 天前
FastAPI 资产管理系统实战:复杂 ORM 关联、Alembic 迁移与 N+1 查询优化
python
武子康1 天前
调查研究-186 LangChain 和 LangGraph 的区别:从快速构建 Agent 到生产级工作流编排
人工智能·langchain·llm