LangChain使用之Model IO（提示词模版之PromptTemplate）

1、介绍与分类

PromptTemplate就是通过模版管理大模型的输入。接收用户的输入，返回一个传递给LLM的信息（提示词）。它在调用时：

以字典作为输入，每个键代表要填充的提示模版中的变量；
输出是PromptValue，该输出可以传递给LLM或者ChatModel，并且可以转换类型（转为字符串或者消息列表）。

接下来是几种常见的提示词模版：

PromptTemplate：LLM提示模版，用于生成字符串提示；
ChatPromptTemplate：聊天提示模版，用于组合各种角色的消息模版，传入聊天模型；
FewShotPromptTemplate：样本提示词模版，通过少量示例教给模型如何回答。

本篇主要基于第一种类型------PromptTemplate来展开。

2、PromptTemplate的使用

2.1 如何获取实例

2.1.1 使用构造方法

python 复制代码

from langchain_core.prompts import PromptTemplate

# 1、创建PromptTemplate实例
# 以下参数必须指明
prompt_template = PromptTemplate(
    template = "你是一个{role},你的名字是{name}。",
    input_variables = ["role","name"],
)
# print(prompt_template)
# 2、填充实例中变量
prompt = prompt_template.format(role = "人工智能专家",name = "小志")

print(prompt) # 输出：你是一个人工智能专家,你的名字是小志.

2.1.2 使用from_template()方法✅️

python 复制代码

from langchain_core.prompts import PromptTemplate

# 1、创建PromptTemplate实例
prompt_template = PromptTemplate.from_template(template = "你是一个{role},你的名字是{name}。")
# print(prompt_template)
# 2、填充实例中变量
prompt = prompt_template.format(role = "人工智能专家",name = "小志")

print(prompt)# 输出：你是一个人工智能专家，你的名字是小志。

如果提示词模版中不包含变量，调用format()时不需要传参数。

2.2 两种特殊结构的使用

2.2.1 部分提示词模版使用 ✅️

在生成prompt前就已经提前初始化部分的提示词，实际导入模版时只导入未初始化的变量。

（1）使用partial_variables变量

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt_template = PromptTemplate.from_template(
    template = "请评价{product}的优缺点,包括{aspect1}和{aspect2}。",
    partial_variables = {"aspect1":"电池续航"}
)

prompt = prompt_template.format(product = "手机",aspect2 = "价格")

print(prompt) #输出：请评价手机的优缺点,包括电池续航和价格。

（2）调用方法partial()

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt_template = PromptTemplate.from_template(
    template = "请评价{product}的优缺点,包括{aspect1}和{aspect2}。",
    # partial_variables = {"aspect1":"电池续航"}
)
# .partial()方法调用后原本的模版没变化，返回值的模版起作用
template = prompt_template.partial(aspect1="电池续航")
prompt = template.format(product = "手机",aspect2 = "价格")

print(prompt)

2.2.2 组合提示词使用

python 复制代码

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="spanish")
print(prompt) # 输出：Tell me a joke about sports, make it funny

                      and in spanish

3、变量赋值的两种方式

上述代码的变量赋值均是采用的format()，这种方式返回值为字符串类型。

另一种方式就是invoke()，他的参数部分是字典，返回值是PromptValue类型。

python 复制代码

from langchain_core.prompts import PromptTemplate

# 1、创建PromptTemplate实例
prompt_template = PromptTemplate.from_template(template = "你是一个{role},你的名字是{name}。")

# 2、填充实例中变量
prompt = prompt_template.invoke(input = {"role":"人工智能专家","name":"小志"})

print(prompt)
print(type(prompt)) # <class 'langchain_core.prompt_values.StringPromptValue'>

4、结合大模型调用

调用对话大模型，使用gpt-4o-mini

python 复制代码

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

dotenv.load_dotenv()

os.environ["OPENAI_BASE_URL"] = os.getenv("OPENAI_BASE_URL")
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")
# 获取对话模型
chat_model = ChatOpenAI(
    model = "gpt-4o-mini",
    temperature = 0.7,
    #max_tokens = 20,
)
# 生成提示词模版
template = PromptTemplate.from_template(template = "请论述{product}在{aspect}上的价值。")
# 模版变量赋值
prompt = template.invoke(input = {"product":"AI","aspect":"医疗"})

# 调用大模型
response = chat_model.invoke(prompt)

print(response.content)