Langchain 入门教程五：提示词Prompts

提示词

提示词：发给大模型的消息

系统提示词

测试代码：加了系统提示词（注意是在创造agent时加的）

复制代码

from langchain.agents import create_agent
from langchain.messages import HumanMessage

# 创建智能体
agent = create_agent(
    model = "deepseek-chat",
    system_prompt="像海盗一样说话."
)

for token, metadata in agent.stream(
    {"messages": [HumanMessage(content="你是谁？")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)

输出

复制代码

啊哈，我是纵横七海的独眼船长------疤脸·杰克！在狂风暴雨中扬帆起航的浪荡子，沉没宝藏的发现者！你这小虾米是想问我藏宝图的事，还是想加入我的水手队伍？快说吧，我这人可没耐心听岸上的啰嗦话！

提示词工程

通过优化System Prompt从而让模型输出更理想的结果的这一过程，我们称为提示词工程（Prompt Engineering）。

从内容来说，提示词通常包含以下几个部分，通常按此顺序排列：

身份（Identity）：描述AI的职责、沟通风格和总体目标。
说明（Instructions）：请指导模型如何生成所需的响应。它应该遵循哪些规则？模型应该做什么，以及模型绝对不能做什么？
示例（Examples）：提供可能的输入示例，以及模型期望的输出。
背景信息（Context）：向模型提供生成响应所需的任何额外信息，例如RAG的额外知识库数据，或您认为特别相关的任何其他数据。

从格式来说，在编写System Prompt时，您可以使用Markdown格式和XML 标签的组合来帮助模型理解提示和上下文数据的逻辑边界。

Markdown 的标题和列表有助于标记提示的不同部分，并向模型传达层级结构。它们还可以提高开发过程中提示的可读性。
XML 标签可以帮助明确区分一段内容（例如用作参考的辅助文档、对话示例等）的起始和结束位置。

设定角色和详细指令

角色可以帮助模型认清自己的身份，以对应的身份来回答问题。

指令则告诉模型需要遵循哪些规则，应该做什么，不应该做什么

复制代码

system_prompt = """
# 身份
- 你是一个编程助手，你帮助用户编写Python代码。

# 指令
- 定义变量时，使用snake case命名法，而不是camel case命名法。
- 不要返回markdown格式说明，仅仅返回代码即可。

"""

# 创建智能体
agent = create_agent(
    model = "deepseek-chat",
    system_prompt=system_prompt
)

for token, metadata in agent.stream(
    {"messages": [HumanMessage(content="怎样定义string变量记录学校名字，例如`新疆大学`")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)

输出结果：

复制代码

school_name = "新疆大学"

对话示例

有的时候我们希望模型按照固定的风格来回答问题，而这种风格又不太好描述，那我们就可以通过举例的方式让模型学习例子来回答。

用户只需在输入提示（Prompt）中提供几个输入-输出示例，模型就能理解任务模式并生成符合预期的输出：

复制代码

system_prompt = """
# 身份
- 你是一个科幻作家，根据用户的要求创建一个太空之都。

# 示例
user：月球的首都是什么？
assistant：月华城（Lunara）------ 镶嵌在月球静海环形山中的水晶穹顶都市，其核心是一座利用月球潮汐能驱动的巨型生态循环塔。

user：火星的首都是什么？
assistant：赤晶城（Aresia）------ 深嵌于火星奥林匹斯山熔岩管内的蜂巢都市，地表仅露出由火星红土烧制而成的螺旋尖塔。
"""

# 创建智能体
agent = create_agent(
    model = "deepseek-chat",
    system_prompt=system_prompt
)

for token, metadata in agent.stream(
    {"messages": [HumanMessage(content="金星的首都是什么?")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)

结果

复制代码

金曦城（Aurum）------漂浮于金星硫酸云层之巅的悬浮都市，其外壳由耐腐蚀的金钛合金编织成网状穹顶，利用大气高压与温差发电，内部则种植着基因改造的发光菌藻来照亮潮湿的街道。

结构化输出

由于传统程序识别结构化的数据会更加方便，所以有时候我们希望LLM也能输出固定结构的内容，方便我们解析。这同样可以通过系统提示词来实现。

复制代码

system_prompt = """
# 身份
- 你是一个科幻作家，根据用户的要求创建一个太空之都。

# 指令
- 请务必以JSON格式输出，不要加任何markdown样式。

# 示例：
user: 月球的首都是什么？
assistant:
{
    "name": "月华市（Lunaria）",
    "location": "位于月球正面赤道附近的静海基地遗址之上，依托巨大的穹顶与地下网络建成",
    "vibe": "冷冽、高效、革新",
    "economy": "氦-3能源开采、量子通信枢纽、尖端生物圈农业"
}
"""

agent = create_agent(
    model="deepseek-chat",
    system_prompt=system_prompt
)

response = agent.invoke(
    {"messages": [HumanMessage(content="金星的首都是什么?")]},
)

print(response['messages'][-1].content)

结果

复制代码

{
    "name": "晨辉城 (Aurora Prime)",
    "location": "悬浮于金星中层大气的磁浮云岛上，位于阿尔法雷吉欧区上空，依托稳定的高压气态平台构建",
    "vibe": "迷幻、高压、炽热",
    "economy": "碳纳米管制造、超高压提炼、大气化学精炼"
}

Langchin中设置结构化输出非常方便，仅仅是设定好一个数据类型即可

复制代码

from pydantic import BaseModel
from langchain.agents import create_agent
from langchain.messages import HumanMessage

# 首先，我们定义一个类，用来封装模型要输出的数据：
class CapitalInfo(BaseModel):
    name: str
    location: str
    vibe: str
    economy: str

# 然后，我们就可以创建智能体并设置结构化输出的格式了。
agent = create_agent(
    model='deepseek-chat',
    system_prompt="你是一个科幻作家，根据用户的要求创建一个太空之都。",
    response_format=CapitalInfo # 设置结构化输出的格式
)

response = agent.invoke(
    {"messages": [HumanMessage(content="月球的首都是什么?")]}
)

city = response['structured_response']

print(type(city))
print(city)
print(f"{city.name}位于{city.location}，是一座{city.vibe}的城市，其主要产业包括{city.economy}。")

结果

复制代码

<class '__main__.CapitalInfo'>
name='月球首都' location='月球' vibe='未知' economy='未知'
月球首都位于月球，是一座未知的城市，其主要产业包括未知。