四. Model I/O 之 Prompt Template

Prompt Template，通过模板管理大模型的输入。

4.1 介绍与分类

Prompt Template 是LangChain中的一个概念，接收用户输入，返回一个传递给LLM的信息（即提示词prompt)。

在应用开发中，固定的提示词限制了模型的灵活性和适用范围。所以，prompt template是一个 模板化的字符串 ，你可以将 变量插入到模板 中，从而创建出不同的提示。调用时：

• 以 字典 作为输入，其中每个键代表要填充的提示词模板中的变量。
• 输出一个 PromptValue。这个PromptValue可以传递给LLM或ChatModel，并且还可以转换为字符串或消息列表。

有几种不同类型的提示词模板：

• PromptTemplate：LLM提示模板，用于 生成字符串提示，它使用Python的字符串来模板提示。
• ChatPromptTemplate ： 聊天提示模板，用于 组合各种角色的消息模板 ，传入聊天模型。
• XxxMessagePromptTemplate：消息模板词模板，包括：SystemMessagePromptTemplate，HumanMessagePromptTemplate，AIMessagePromptTemplate，ChatMessagePromptTemplate等等
• FewShotPromptTemplate：样本提示词模板，通过示例来教模型如何回答
• PipelinePrompt：管道提示词模板，用于把几个提示词组合在一起使用。
• 自定义模板：允许基于其他模板类来定制自己的提示词模板。

模板导入

4.2 复习： str.format()

Python的 str.format()方法是一种字符串格式化的手段，允许在 字符串中插入变量。使用这种方法，可以创建包含 占位符 的字符串模板，占位符有花括号 {} 标识。

• 调用format()方法时，可以传入一个或多个参数，这些参数将被顺序替换进占位符中。
• str.format()提供了灵活的方式来构造字符串，支持多种格式化选项。

在LangChain的默认设置下，PromptTemplate 使用Python的 str.format() 方法进行模板化。这样在模型接收输入前，可以根据需要对数据进行预处理和结构化。

4.3 具体使用：PromptTemplate

4.3.1 使用说明

PromptTemplate类，用于快速构建 包含变量 的提示词模板，并通过 传入不同的参数值 生成自定义的提示词。

主要参数介绍：

• template ：定义提示词模板的字符串，其中包含 文本 和 变量占位符（如 {name} ）；
• input_variables ：列表，指定了模板中使用的变量名称，在调用模板时被替换；
• partial_variables ： 字典，用于定义模板中一些固定的变量名。这些值不需要在每次调用时被替换。

函数介绍：

• format()：给input_variables变量赋值，并返回提示词。利用format()进行格式化时就一定要赋值，否则会报错。当在template中未设置input_variables，则会自动忽略。

PromptTemplate的使用

1. PromptTemplate 如何获取实例

2. 两种特殊结构的使用（部分提示词模板的使用，组合提示词模板的使用）

3. 给变量赋值的两种方式：format() / invoke()

4. 结合大模型的使用

4.3.2 两种实例化方式

方式1：使用构造函数方法

举例1：

from langchain_core.prompts import PromptTemplate

## 方式1：使用构造函数的方式
prompt_template = PromptTemplate(
    template="请评价{product}的优缺点，包括{aspect1}和{aspect2}",
    input_variables=["product","aspect1", "aspect2"],
)

# 使用模板生成提示词
prompt_1 = prompt_template.format(product="智能手机", aspect1="电池续航", aspect2="拍照质量")
prompt_2 = prompt_template.format(product="笔记本电脑", aspect1="处理速度", aspect2="便携性")

print("提示词1：", prompt_1)
print("提示词2：", prompt_2)

方式2：from_template(): 推荐！！ 更简洁

from langchain_core.prompts import PromptTemplate

## 方式1：使用构造函数的方式
prompt_template = PromptTemplate.from_template(
    template="请评价{product}的优缺点，包括{aspect1}和{aspect2}"
)

# 使用模板生成提示词
prompt_1 = prompt_template.format(product="智能手机", aspect1="电池续航", aspect2="拍照质量")
prompt_2 = prompt_template.format(product="笔记本电脑", aspect1="处理速度", aspect2="便携性")

print("提示词1：", prompt_1)
print("提示词2：", prompt_2)

4.3.3 两种特殊结构的使用（部分提示词模板的使用，组合提示词的使用）

形式1：部分提示词模板的使用（重点），在生成prompt前就已经提前初始化部分的提示词，实际进一步导入模板的时候只导入除已初始化的变量即可。

举例1：

from langchain_core.prompts import PromptTemplate

## 部分提示词模板
# 举例：在PromptTemplate的构造方法或from_template()方法内，使用partial_variables设置
prompt_template = PromptTemplate.from_template(
    template="请评价{product}的优缺点，包括{aspect1}和{aspect2}",
    partial_variables={"aspect1":"电磁续航"}, # 通过 partial_variables 参数，设定默认值，这样在生成提示词模板的时候，这个变量可以不用赋值
)

# 使用模板生成提示词
prompt_1 = prompt_template.format(product="智能手机", aspect2="拍照质量")
prompt_2 = prompt_template.format(product="笔记本电脑", aspect1="处理速度", aspect2="便携性")

print("提示词1：", prompt_1)
print("提示词2：", prompt_2)

举例2 ：调用方法 partial()

from langchain_core.prompts import PromptTemplate

## 部分提示词模板
prompt_template = PromptTemplate.from_template(
    template="请评价{product}的优缺点，包括{aspect1}和{aspect2}",
)
# 注意 PromptTemplate.partial() 并不会直接改变提示词的值，是返回值有改变
template1 = prompt_template.partial(aspect1="电池续航",aspect2="拍照质量")

# 使用模板生成提示词
prompt_1 = template1.format(product="智能手机")
prompt_2 = template1.format(product="笔记本电脑", aspect1="处理速度", aspect2="便携性")

print("提示词1：", prompt_1)
print("提示词2：", prompt_2)

形式2：组合提示词（了解）

from langchain_core.prompts import PromptTemplate

template = (
    PromptTemplate.from_template("Tell me a joke about {topic}")
    + ", make it funny" + "\n\nand in {language}"
)
prompt = template.format(topic="sports", language="English")
print(prompt)

4.3.4 给变量赋值的两种方式 format() 与 invoke()

只要对象是RunnableSerializable接口类型，都可以使用invoke()，替换前面使用format()的调用方式。

format()，参数部分是：给变量赋值，返回值为 str 类型；invoke()，参数部分是字典类型，返回值为PromptValue类型，接着调用to_string()返回字符串。 推荐使用invoke()

举例调用format()

from langchain_core.prompts import PromptTemplate

template = (
    PromptTemplate.from_template("Tell me a joke about {topic}")
    + ", make it funny" + "\n\nand in {language}"
)
prompt = template.format(topic="sports", language="English")
print(prompt)
print(type(prompt))

举例调用invoke()

from langchain_core.prompts import PromptTemplate

template = (
    PromptTemplate.from_template("Tell me a joke about {topic}")
    + ", make it funny" + "\n\nand in {language}"
)
prompt = template.invoke(input={"topic":"sports", "language":"English"})
print(prompt)
print(type(prompt))

4.3.5 结合大模型使用

import os

import dotenv
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

dotenv.load_dotenv()

os.environ["OPENAI_BASE_URL"]=os.getenv("DASHSCOPE_BASE_URL")
os.environ["OPENAI_API_KEY"]=os.getenv("DASHSCOPE_API_KEY")

# 获取对话模型
chat_model = ChatOpenAI(
    model="qwen-plus",
    max_tokens=300,
)
# 生成提示词模板
template = (
    PromptTemplate.from_template("Tell me a joke about {topic}")
    + ", make it funny" + "\n\nand in {language}"
)
# 给模板的变量赋值
prompt = template.invoke(input={"topic":"sports", "language":"English"})
# 调用大模型，传入提示词即可
result = chat_model.invoke(prompt)

print(result.content)
print(type(result))