1.1 关于LangChain中的FewShotPromptTemplate的使用

📄 文件代码内容

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_community.llms.tongyi import Tongyi

# 示例的模板
example_template = PromptTemplate.from_template("单词：{word}, 反义词：{antonym}")

# 示例的动态数据注入 要求是list内部套字典
examples_data = [
    {"word": "大", "antonym": "小"},
    {"word": "上", "antonym": "下"},
]

few_shot_template = FewShotPromptTemplate(
    example_prompt=example_template,    # 示例数据的模板
    examples=examples_data,             # 示例的数据（用来注入动态数据的），list内套字典
    prefix="告知我单词的反义词，我提供如下的示例：",                   # 示例之前的提示词
    suffix="基于前面的示例告知我，{input_word}的反义词是？",          # 示例之后的提示词
    input_variables=['input_word']      # 声明在前缀或后缀中所需要注入的变量名
)

prompt_text = few_shot_template.invoke(input={"input_word": "左"}).to_string()
print(prompt_text)

model = Tongyi(model="qwen-max")

print(model.invoke(input=prompt_text))

---

🔄 代码流程梳理

1. 导入所需模块

   • PromptTemplate：用于定义单个示例的模板。
   • FewShotPromptTemplate：用于构建包含少量示例的提示模板。
   • Tongyi：通义千问模型封装（LLM）。

2. 定义示例模板

   • 使用 PromptTemplate.from_template 创建 example_template，格式为 "单词：{word}, 反义词：{antonym}"。
   • 该模板用于将每个示例（字典）渲染成字符串。

3. 准备示例数据

   • examples_data 是一个列表，包含两个示例字典，分别提供 word 和 antonym。

4. 构建 FewShotPromptTemplate

   • example_prompt：指定示例渲染模板。
   • examples：传入示例数据列表。
   • prefix：在所有示例前添加的固定提示。
   • suffix：在所有示例后添加的提示，包含变量 {input_word}。
   • input_variables：声明需要动态注入的变量（此处为 input_word）。

5. 生成最终提示文本

   • 调用 few_shot_template.invoke({"input_word": "左"})，将 input_word 替换为 "左"，得到 PromptValue 对象。
   • 通过 .to_string() 转为字符串，打印输出，查看最终提示内容。

6. 模型调用与输出

   • 初始化通义千问模型（Tongyi(model="qwen-max")）。
   • 将生成的提示字符串传入 model.invoke()，获得模型回复并打印。

---

💡 高频面试知识点与回答思路

1. FewShotPromptTemplate 的作用及适用场景

• 作用：通过提供少量示例（Few-shot）引导模型理解任务格式和输出要求，提升模型在特定任务上的表现（尤其是格式严格、风格固定或需要推理的任务）。
• 适用场景：分类、命名实体识别、代码生成、格式转换等需要模仿示例的任务。

2. FewShotPromptTemplate 与 PromptTemplate 的关系

• PromptTemplate 定义单个示例的格式化方式。
• FewShotPromptTemplate 将多个示例拼接起来，并在前后添加前缀/后缀，构成完整的提示。它内部会复用 example_prompt 来渲染每个示例。

3. prefix 和 suffix 的设计要点

• prefix 通常用于描述任务背景或规则，suffix 用于提出最终问题。两者之间插入所有示例。
• 示例数量不宜过多（通常 2~5 个），以免超出模型上下文窗口或引入过多噪声。

4. input_variables 的作用

• 声明在 suffix（或 prefix）中出现的占位符变量名，运行时需要提供对应的值。
• 若使用 invoke 传入参数，必须包含这些变量。

5. Few-shot 与 Zero-shot 的区别

• Zero-shot：不给示例，仅靠指令。
• Few-shot：提供少量示例，模型能更好地理解预期输出格式和风格。
• 在模型能力较弱或任务格式复杂时，Few-shot 效果通常优于 Zero-shot。

6. 如何动态选择示例（高级用法）

• 可通过 example_selector 参数，根据输入动态选择最相关的示例（如基于相似度），提高示例的针对性和提示质量。

7. 该示例中 to_string() 的作用

• 将 PromptValue 转为纯字符串，便于调试或与非聊天模型（如 Tongyi）对接（该模型可能接受字符串输入）。
• 在实际开发中，也可直接传递 PromptValue 给支持消息列表的模型。

8. 通义千问（Tongyi）与 Chat 模型的区别

• Tongyi 是 LLM（非聊天模型），接受字符串输入返回字符串。
• 而 ChatTongyi 是聊天模型，接受消息列表。两者接口不同，需按需选择。

---

📌 面试回答话术（示例）

"该文件展示了 LangChain 中 FewShotPromptTemplate 的使用。它通过提供少量示例（如"大→小"、"上→下"），让模型学会"反义词"任务格式。FewShotPromptTemplate 将示例模板、示例数据、前缀和后缀组合成一个完整提示，最终注入变量（如 input_word）生成具体问题。这种方法在任务格式特殊或模型需要模仿风格时非常有效。实际项目中，我还会结合 example_selector 动态选择最相关的示例，进一步提升提示质量。"