1.1langchain 提示词笔记

这段代码演示了如何使用 LangChain 框架调用大语言模型（通义千问）来完成一个简单的命名生成任务。它涉及以下几个核心的大模型知识与实践：

---

1. 提示词工程（Prompt Engineering）

代码通过 PromptTemplate 定义了一个模板：

"我的邻居姓{lastname}, 刚生了{gender}, 你帮我起个名字，简单回答。"

• 使用 {lastname} 和 {gender} 作为占位符，实现动态提示构建。
• 这种模板化方法允许开发者将业务变量（如姓氏、性别）与固定指令分离，便于维护和复用。
• 模板设计体现了指令清晰、约束输出格式的思想（"简单回答"），属于提示工程的基本实践。

---

2. 零样本学习（Zero-shot Learning）

提示中没有给任何示例（如"张姓女孩可取名为张悦"），模型直接根据通用知识和语言理解来生成名字。这属于典型的 零样本（Zero-shot）生成------模型依靠预训练阶段积累的命名规律和文化常识进行推理，无需额外示例。

---

3. 大语言模型调用（LLM Inference）

• 使用阿里云的通义千问模型（Tongyi(model="qwen-max")），通过 invoke 方法发送提示，获取模型回复。
• 这体现了 模型即服务（MaaS） 的调用模式，开发者只需通过 API 与模型交互，无需关心底层基础设施。
• 参数 temperature 等未显式设置，使用了模型默认值（通常为 0.7~1.0），适合创意性任务。

---

4. LCEL（LangChain Expression Language）

• chain = prompt_template | model 使用管道运算符将提示模板和模型串联成一个 可运行链（RunnableSequence）。
• 调用 chain.invoke({"lastname": "张", "gender": "女儿"}) 时，LangChain 自动完成：
  • 将输入字典注入模板，生成完整提示文本。
  • 将提示发送给模型，获取响应。
  • 返回模型生成的文本。
• 这种声明式链式编程简化了复杂流程的构建，是 LangChain 的核心设计模式。

---

5. 文本生成任务（Text Generation）

命名生成是典型的开放式文本生成任务，要求模型：

• 理解"姓氏+性别"的约束条件。
• 结合中文命名文化（如寓意美好、音韵和谐）生成合理名字。
• 输出简洁（"简单回答"），体现指令遵循能力。

---

6. 模型推理与知识运用

模型在生成名字时，用到了：

• 语言知识：汉字组合、常用名字结构。
• 文化知识：中文名字通常包含寓意（如"悦"、"欣"）。
• 常识推理：根据性别提示匹配常见性别倾向的名字（如女孩多用"芳"、"婷"）。

---

7. 可选：链的便捷性

注释中展示了另一种方法（手动 .format 并调用 model.invoke），而链式写法 chain.invoke 更简洁，且易于扩展（如添加输出解析器、记忆组件等），体现 LangChain 的模块化设计思想。

---

小结

该示例虽然简单，但涵盖了提示工程、零样本推理、LLM API 调用、LCEL 链式编程、文本生成任务等大模型应用的核心知识点。通过这种模板化、链式化的方式，开发者可以快速构建可复用的智能应用。

这个方法 PromptTemplate.from_template 是 LangChain 中用于从字符串模板快速创建 PromptTemplate 实例的工厂方法（类方法）。它承担了模板解析、变量提取和部分变量注入的职责，是构建提示模板最常用的入口。

---

一、方法签名与参数详解

@classmethod
def from_template(
    cls,
    template: str,
    *,
    template_format: PromptTemplateFormat = "f-string",
    partial_variables: dict[str, Any] | None = None,
    **kwargs: Any,
) -> PromptTemplate:

参数	类型	说明
template	str	原始模板字符串，包含 {variable} 占位符（或 jinja2/mustache 格式）
template_format	PromptTemplateFormat	模板语法格式，支持 "f-string"（默认）、"jinja2"、"mustache"
partial_variables	`dictstr, Any	None`
**kwargs	Any	传递给 PromptTemplate 构造函数的其他参数（如 validate_template 等）

---

二、方法内部逻辑拆解

1. 提取模板变量

input_variables = get_template_variables(template, template_format)

• get_template_variables 是一个工具函数，根据 template_format 解析模板，返回所有未绑定的变量名列表。例如模板 "你好，{name}" 会返回 ["name"]。

2. 处理部分变量（Partial Variables）

partial_variables_ = partial_variables or {}
if partial_variables_:
    input_variables = [var for var in input_variables if var not in partial_variables_]

• 如果提供了 partial_variables，则从 input_variables 列表中移除这些变量名，因为它们的值已经被预先指定，不需要用户再提供。

3. 创建 PromptTemplate 实例

return cls(
    input_variables=input_variables,
    template=template,
    template_format=template_format,
    partial_variables=partial_variables_,
    **kwargs,
)

• 调用类构造函数，传入处理后的变量列表、原始模板、格式和部分变量字典。
• 最终得到一个完整的 PromptTemplate 对象。

4. 安全警告（关于 Jinja2）

• 注释中特别提示：template_format='jinja2' 存在安全风险（可能导致任意代码执行），因为 Jinja2 模板可能包含危险的表达式。默认使用 f-string 更安全。即使 LangChain 使用了沙箱环境，也不应接受不可信来源的 jinja2 模板。

---

三、后续调用方式

创建 PromptTemplate 实例后，通常有两种主要用途：

1. 手动格式化（format / format_prompt）

prompt = PromptTemplate.from_template("我的邻居姓{lastname}，刚生了{gender}")
# 格式化生成完整字符串
formatted_text = prompt.format(lastname="张", gender="女儿")
# 或生成一个 PromptValue 对象（包含消息列表）
prompt_value = prompt.format_prompt(lastname="张", gender="女儿")

• format 直接返回字符串。
• format_prompt 返回一个 StringPromptValue 或 ChatPromptValue，便于后续传递给模型。

2. 与模型链式调用（LCEL）

from langchain_community.llms.tongyi import Tongyi
chain = prompt | Tongyi()
response = chain.invoke({"lastname": "张", "gender": "女儿"})

• 使用管道运算符 | 将 PromptTemplate 和 LLM 组合成一个 RunnableSequence。
• 当调用 chain.invoke(input_dict) 时：
  • LangChain 自动将输入字典传给 PromptTemplate 的 invoke 方法，该方法内部调用 format(**input_dict) 生成提示文本。
  • 然后该文本作为输入传给 LLM.invoke，得到模型输出。
• 整个过程是流水线式的，无需手动调用 format。

3. 与其他组件组合（如输出解析器）

from langchain.output_parsers import StrOutputParser
chain = prompt | llm | StrOutputParser()

• 输出解析器可将模型输出进一步处理（如提取 JSON、列表等）。

---

四、partial_variables 的实际应用场景

• 当某些变量是固定值（如系统提示中的 "你是一个AI助手"）时，可以预先部分填充，减少用户输入项。

• 例如：

  partial_prompt = PromptTemplate.from_template(
      "系统: {system_msg}\n用户: {user_msg}",
      partial_variables={"system_msg": "你是一个严谨的科学家"}
  )
  # 调用时只需提供 user_msg
  final = partial_prompt.format(user_msg="解释量子纠缠")

---

五、小结

• from_template 是一个便捷工厂，负责解析模板变量、处理部分变量，并实例化 PromptTemplate。
• 它隐藏了变量提取的复杂性，使开发者能快速定义可复用的提示模板。
• 后续通过 format 或链式调用，将变量值注入模板，生成最终提示文本，供大模型使用。
• 注意模板格式选择，优先使用 f-string 以避免安全风险。

这个方法是 LangChain 提示模板体系的基础，理解它对高效构建提示和链式调用至关重要。