LangChain 中少样本提示（Few-shot Prompting）

一、核心概念：什么是 Few-shot Prompting？

定义

少样本提示（Few-shot Prompting） 是一种通过在提示中提供少量"输入-输出"示例（即"few-shot examples"），来引导大语言模型（LLM）按照指定风格或逻辑回答新问题的技术。

目标

• 让 LLM 学会某种特定的响应模式（如语气、格式、推理步骤）
• 不需要重新训练模型，仅靠提示即可调整行为
• 提升模型对复杂任务的理解能力（如分类、翻译、问答）

作用

功能	说明
指导意图	帮助模型理解用户期望的回答风格
引导推理	显式展示如何处理类似问题
控制输出格式	确保输出符合预期结构（如 JSON、列表等）

示例：让模型总是以"美女，..."开头回答问题

---

二、Few-shot Prompt 实现机制

LangChain 提供了专门的类来支持少样本提示：

类型	适用场景	对应模板类
文本模型（BaseLLM）	单次文本推理	FewShotPromptTemplate
聊天模型（ChatModel）	多轮对话交互	FewShotChatMessagePromptTemplate

---

三、示例1：使用 FewShotPromptTemplate（文本模型）

代码解析

from langchain_core.prompts.few_shot import FewShotPromptTemplate
from langchain_core.prompts import PromptTemplate

examples = [
    {
        "question": "你好吗？",
        "answer": "美女，我很好"
    },
    {
        "question": "今天周几？",
        "answer": "美女，今天星期二"
    },
    {
        "question": "天气好吗？",
        "answer": "美女，是的，今天天气很好"
    }
]

example_prompt = PromptTemplate.from_template(
    template="问题:{question}\n答案:{answer}"
)

prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    suffix="问题:{input}",
    input_variables=["input"]
)

print(prompt.format(input="明天星期几？"))

输出结果：

问题:你好吗？
答案:美女，我很好

问题:今天周几？
答案:美女，今天星期二

问题:天气好吗？
答案:美女，是的，今天天气很好

问题:明天星期几？

分析：

• examples：包含多个"输入-输出"对
• example_prompt：定义每个示例的格式（如"问题:xxx\n答案:yyy"）
• suffix：表示新输入的位置（待填入）
• input_variables：声明变量名（此处为 "input"）

四、示例2：结合本地 LLM 使用 FewShotPromptTemplate

完整流程

from langchain_core.prompts.few_shot import FewShotPromptTemplate
from langchain_core.prompts import PromptTemplate
from langchain_ollama.llms import OllamaLLM

llm = OllamaLLM(model="qwen3:4b")

# 定义示例数据：包含问题和答案的字典列表
examples = [
    {"question": "你好吗？", "answer": "美女，我很好"},
    {"question": "今天周几？", "answer": "美女，今天星期二"},
    {"question": "天气好吗？", "answer": "美女，是的，今天天气很好"}
]

# 创建示例模板：定义如何格式化每个示例
example_prompt = PromptTemplate.from_template("问题:{question}\n答案:{answer}")

# 创建少样本提示词模板
few_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="你是一个礼貌的助手，总是以'美女'开头回答问题。以下是示例：\n",
    suffix="问题:{input}\n答案:",
    input_variables=["input"]
)

formatted_prompt = few_prompt.format(input="明天星期几？")
print(formatted_prompt)

print("*" * 100)
res = llm.invoke(formatted_prompt)
print(res)

输出结果：

你是一个礼貌的助手，总是以'美女'开头回答问题。以下是示例：


问题:你好吗？
答案:美女，我很好

问题:今天周几？
答案:美女，今天星期二

问题:天气好吗？
答案:美女，是的，今天天气很好

问题:明天星期几？
答案:
****************************************************************************************************
美女，明天星期三

• prefix：添加上下文描述（如角色设定）
• suffix：包含用户输入，并预留输出位置
• 最终提示词由 prefix + 示例 + suffix 组成

五、示例3：用于聊天模型的 FewShotChatMessagePromptTemplate

代码解析

from langchain_core.prompts import (
    ChatPromptTemplate,
    FewShotChatMessagePromptTemplate
)
from langchain_ollama import ChatOllama

llm = ChatOllama(model="qwen3:8b", base_url="http://localhost:11434")

examples = [
    {"question": "你好吗？", "answer": "美女，我很好"},
    {"question": "今天周几？", "answer": "美女，今天星期二"},
    {"question": "天气好吗？", "answer": "美女，是的，今天天气很好"}
]

# 定义每个示例的消息格式
example_prompt = ChatPromptTemplate.from_messages([
    ("human", "{question}"),
    ("ai", "{answer}")
])

# 创建少样本提示模板
few_shot_prompt = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=examples
)

# 构建最终提示（含系统指令 + 少样本 + 用户输入）
final_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个礼貌的助手，总是以'美女'开头回答问题。"),
    few_shot_prompt,
    ("human", "{input}")
])

# 格式化并调用
messages = final_prompt.format_messages(input="明天星期几？")
print(messages)

print("*" * 100)
res = llm.invoke(messages)
print(res)

输出结果：

[SystemMessage(content="你是一个礼貌的助手，总是以'美女'开头回答问题。", additional_kwargs={}, response_metadata={}), HumanMessage(content='你好吗？', additional_kwargs={}, response_metadata={}), AIMessage(content='美女，我很好', additional_kwargs={}, response_metadata={}), HumanMessage(content='今天周几？', additional_kwargs={}, response_metadata={}), AIMessage(content='美女，今天星期二', additional_kwargs={}, response_metadata={}), HumanMessage(content='天气好吗？', additional_kwargs={}, response_metadata={}), AIMessage(content='美女，是的，今天天气很好', additional_kwargs={}, response_metadata={}), HumanMessage(content='明天星期几？', additional_kwargs={}, response_metadata={})]
****************************************************************************************************
content='美女，明天是星期三' additional_kwargs={} response_metadata={'model': 'qwen3:8b', 'created_at': '2025-12-21T14:00:01.442018Z', 'done': True, 'done_reason': 'stop', 'total_duration': 31613376600, 'load_duration': 275564000, 'prompt_eval_count': 91, 'prompt_eval_duration': 595258000, 'eval_count': 107, 'eval_duration': 30640268300, 'model_name': 'qwen3:8b'} id='run--37288b93-6c39-449d-b9a4-1ff454bd6a51-0' usage_metadata={'input_tokens': 91, 'output_tokens': 107, 'total_tokens': 198}

六、关键组件详解

组件	说明	示例
examples	输入-输出对列表	[{"question": "...", "answer": "..."}]
example_prompt	定义单个示例的格式	PromptTemplate 或 ChatPromptTemplate
prefix	提示词前缀（可选）	角色设定、指令说明
suffix	提示词后缀（含输入变量）	"问题:{input}"
input_variables	变量列表	["input"]
format() / format_messages()	生成最终提示	用于文本/聊天模型

---

七、对比总结：文本 vs 聊天模型

特性	FewShotPromptTemplate（文本）	FewShotChatMessagePromptTemplate（聊天）
适用模型	OllamaLLM, OpenAI 非聊天接口	ChatOllama, ChatOpenAI
输入类型	str	List[BaseMessage]
格式化方法	.format()	.format_messages()
示例格式	PromptTemplate	ChatPromptTemplate
是否支持角色	不支持	支持 system/human/ai

推荐：

• 若只需简单问答 → 使用 FewShotPromptTemplate
• 若需多轮对话 → 使用 FewShotChatMessagePromptTemplate

---

八、最佳实践建议

1. 明确任务目标：确定是否需要控制输出风格或逻辑
2. 选择合适的模板类 ：根据模型类型决定使用哪种 FewShot*Template
3. 设计清晰的示例：确保每个示例都体现期望的输出模式
4. 合理设置 prefix 和 suffix：增强上下文信息
5. 避免过多示例：一般 3~5 个即可，太多会增加 token 开销

---

九、扩展应用方向

应用场景	说明
风格迁移	让模型模仿特定语气（如正式、幽默、礼貌）
格式化输出	强制输出为 JSON、表格、Markdown 等
逻辑推理引导	展示分步推理过程（如数学题解法）
任务分类	提供不同类别问题的示例，辅助分类判断

---

结论

Few-shot prompting 是提升大模型可控性的关键技术之一 。

LangChain 通过 FewShotPromptTemplate 和 FewShotChatMessagePromptTemplate 提供了强大的工具支持，使得开发者可以轻松构建具备"学习能力"的提示系统。

掌握要点：

• 理解 examples、example_prompt、prefix、suffix 的作用
• 区分文本模型与聊天模型的使用差异
• 合理设计示例以引导模型行为