19 Prompt 进阶——系统讲解

Prompt 进阶------系统讲解

为什么要"Prompt 进阶"？

普通调用方式：llm.invoke("你好") 够用，但有三个问题：

格式不稳定：LLM 每次输出格式可能不同
推理质量差：复杂逻辑题容易出错
示例复用难：想让 LLM 模仿某种风格，只能每次手写

Prompt 进阶就是解决这三个问题的工程方法。

Chat 模型吃的是「消息列表」

像 GPT 这类 Chat 模型，输入不是一段纯文本，而是一组有角色的消息：

json 复制代码

[
    {"role": "system",    "content": "你是助手"},
    {"role": "user",      "content": "苹果什么颜色？"},
    {"role": "assistant", "content": "通常是红色"},
    {"role": "user",      "content": "草莓呢？"},   # 当前问题
]

LangChain 里对应的消息类型是：

SystemMessage
HumanMessage（用户）
AIMessage（助手）

ChatPromptTemplate 的作用就是：用模板描述「消息列表应该长什么样」，运行时填入变量，生成真正的消息列表。

ChatPromptTemplate.from_messages

hatPromptTemplate 是「对话式 Prompt 模板」；from_messages 是它的工厂方法，用消息列表来定义模板结构。

参数格式

from_messages 接受一个列表，每个元素可以是：

写法	含义
("system", "固定文本")	系统消息，内容写死
("human", "{变量名}")	用户消息，带占位符
("ai", "{变量名}")	助手消息（用于 few-shot 示例里的「标准答案」）
子模板对象	如 FewShotChatMessagePromptTemplate、MessagesPlaceholder

它做什么？

定义结构：这段对话由哪些消息、什么顺序组成
声明变量：{question} 这类占位符，调用时要传入
生成消息：invoke({"question": "草莓什么颜色？"}) 时，把变量填进去，返回 ChatPromptValue（本质是消息列表）

简单例子

py 复制代码

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是颜色助手"),
    ("human", "{question}"),
])
# 调用
messages = prompt.invoke({"question": "草莓什么颜色？"})
# 实际生成（概念上）：
# [
#   SystemMessage("你是颜色助手"),
#   HumanMessage("草莓什么颜色？"),
# ]

常见用途

系统指令 + 用户问题（最常见）
多轮对话（配合 MessagesPlaceholder 插入历史）
作为 FewShotChatMessagePromptTemplate 的 example_prompt（定义单条示例格式）

FewShotChatMessagePromptTemplate

专门用于 Few-shot（少样本）提示的子模板。

它不负责整段 prompt，只负责：把多条示例数据，批量展开成多轮 human/ai 对话消息。

核心参数

py 复制代码

FewShotChatMessagePromptTemplate(
    examples=[...],           # 示例数据列表
    example_prompt=...,       # 单条示例的格式模板
    example_selector=None,    # 可选：动态挑选示例（如语义相似）
)

参数	作用
examples	示例库，每条是 dict，字段名要和 example_prompt 里的 {变量} 对应
example_prompt	一条示例怎么排版（通常也是 ChatPromptTemplate.from_messages 建的）
example_selector	不传则用全部 examples；传了可以按相似度只选几条

Few-shot Prompting（少样本提示）

原理：给 LLM 几个"输入 → 输出"的例子，让它照着模仿。

两种形式：

text 复制代码

# Zero-shot（无示例）
用户：苹果是什么颜色？
AI：苹果有红色、绿色、黄色。

# Few-shot（有示例，输出更规范）
示例1 - 用户：香蕉是什么颜色？AI：香蕉通常是黄色。
示例2 - 用户：西瓜是什么颜色？AI：西瓜外皮绿色，果肉红色。
用户：苹果是什么颜色？      ← 真实问题
AI：苹果通常是红色或绿色。  ← 自动模仿上面的简洁风格

LangChain 中用 FewShotChatMessagePromptTemplate 实现，它把示例列表自动展开成多轮 human/ai 对话消息塞进 prompt。

Chain-of-Thought（思维链，CoT）

原理：让模型在给答案前先写推理过程，就像让人"列草稿"。

实验证明：对数学/逻辑题，CoT 比直接问答准确率高 20-40%。

两种 CoT：

类型	方法	适用场景
Zero-shot CoT	system 里写"请一步步思考"	快速，不需要准备示例
Few-shot CoT	示例里包含完整推理步骤	更稳定，适合固定题型

text 复制代码

# Zero-shot CoT 示例
system: "请先写推理步骤，再给答案"
user: "鸡兔同笼35头94脚"

# 模型会输出：
# 推理：设鸡x只，兔y只
# x + y = 35
# 2x + 4y = 94 → x=21, y=14
# 答案：鸡21只，兔14只

动态 Few-shot（SemanticSimilarityExampleSelector）

问题：示例库有100条，每次全塞进 prompt → token 暴增，费钱还慢。

解决：用向量相似度，自动从示例库里找最相关的 K 条塞进 prompt。

text 复制代码

示例库（100条）
    ↓ 向量化存入 Qdrant
用户问"蓝莓什么颜色"
    ↓ 向量检索
命中最近邻：葡萄颜色、草莓颜色（都是水果颜色类问题）
    ↓
只把这2条塞进 prompt

关键类：SemanticSimilarityExampleSelector，内部封装了向量数据库的存储和检索。会向量化所有示例并创建存储

MessagesPlaceholder（消息占位符）

原理：在 prompt 模板中预留一个"插槽"，运行时把任意消息列表插进去。

典型用途：多轮对话时注入历史记录。

text 复制代码

# 模板定义时：
[system, <<chat_history占位>>, human当前问题]

# 运行时传入 chat_history：
[system, human"我叫小明", ai"你好小明", human"我叫什么？"]
#                ↑ 这部分由 MessagesPlaceholder 动态填充

partial()------模板预填充

原理：提前固定模板中的部分变量，生成可复用的"专用模板"。

py 复制代码

# 原始模板：两个变量
translate_prompt = "将{text}翻译成{language}"

# partial 固定 language，生成两个子模板
to_english = translate_prompt.partial(language="英文")  # 只剩 text 变量
to_japanese = translate_prompt.partial(language="日文")

# 调用时只需传 text
to_english.invoke({"text": "你好"})

类比：像函数的 functools.partial，固定部分参数。

结构化输出（with_structured_output）

问题：LLM 返回的是字符串，需要手动解析 JSON，容易出错。

解决：用 Pydantic 定义期望格式，LangChain 自动让 LLM 返回符合格式的对象。

py 复制代码

class MovieReview(BaseModel):
    title: str
    rating: float
    pros: list[str]

structured_llm = llm.with_structured_output(MovieReview)
result = structured_llm.invoke("评价《星际穿越》")
# result 是 MovieReview 对象，直接 result.rating 取值

底层：LangChain 把 Pydantic schema 转成 OpenAI 的 function_call 或 json_schema，强制模型按格式输出。

「必要性」对照表

能力	Chain 时代	LangGraph 实战	是否值得学
zero-shot / few-shot	常用	常用（常在 node 里拼 prompt）	必学
SemanticSimilarityExampleSelector	大示例库时常用	常用（可独立成 node）	必学
with_structured_output	常用	非常常用（路由、评分、抽取）	必学
MessagesPlaceholder	多轮 Chain 的标准写法	基本不用	了解即可
partial()	复用模板时有点用	很少用	了解即可

代码示例

py 复制代码

# 准备示例库：每个 dict 包含 input（用户问题）和 output（期望回答）
FEW_SHOT_EXAMPLES = [
    {
        "input": "苹果是什么颜色？",
        "output": "苹果通常是红色、绿色或黄色。",
    },
]
cot_examples = [
    {
        "input": "一共有5只苹果，吃掉2只，还剩几只？",
        "output": (
            "推理：\n"
            "1. 初始苹果数量 = 5\n"
            "2. 吃掉 2 只\n"
            "3. 剩余 = 5 - 2 = 3\n"
            "答案：3"
        ),
    },
]
example_prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "{input}"),
        ("ai", "{output}"),
    ]
)

zero_shot_prompt

py 复制代码

cot_prompt = ChatPromptTemplate.from_messages(
[
    (
        "system",
        "你是数学解题助手。请先写出完整的推理步骤，最后单独一行写【答案：X】。",
    ),
    ("human", "{question}"),
]
)
chain = cot_prompt | llm
result = chain.invoke({"question": "鸡兔同笼：共35个头，94只脚，鸡和兔各有几只？"})
return result.content.strip()

few_shot_prompt

py 复制代码

example_prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "{input}"),
        ("ai", "{output}"),
    ]
)
few_shot_prompt = FewShotChatMessagePromptTemplate(
    examples=cot_examples,
    example_prompt=example_prompt,
)
# 调用方式如 zero_shot_prompt

SemanticSimilarityExampleSelector

py 复制代码

selector = SemanticSimilarityExampleSelector.from_examples(
    examples=FEW_SHOT_EXAMPLES,# 加入有很多例子
    embeddings=embeddings,
    vectorstore_cls=QdrantVectorStore,
    location=":memory:",
    collection_name="dynamic_few_shot_examples",
    k=2,  # 每次选最相似的2个示例
)
dynamic_few_shot = FewShotChatMessagePromptTemplate(
    example_selector=selector,
    example_prompt=example_prompt,
)
final_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是颜色描述助手，参考示例风格回答。"),
        dynamic_few_shot,
        ("human", "{question}"),
    ]
)
# 调用方式如 zero_shot_prompt

MessagesPlaceholder

py 复制代码

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个友好的助手，记住之前的对话内容。"),
        (MessagesPlaceholder(variable_name="chat_history")),
        ("human", "{question}"),
    ]
)
chain = prompt | llm

history: list = []
q1 = "我叫小明，今年20岁。"
r1 = chain.invoke({"chat_history": history, "question": q1})
history.append(HumanMessage(content=q1))
history.append(AIMessage(content=r1.content))

partial_prompt

py 复制代码

transalte_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是翻译助手，请将文本翻译成{language}，只输出翻译结果。"),
        ("human", "{text}"),
    ]
)

to_endlish = transalte_prompt.partial(language="英文")
text = "人工智能正在改变世界。"
cn_result = cn_chain.invoke({"text": text}).content.strip()
return {"english": en_result, "chinese": cn_result}

with_structured_output

py 复制代码

structured_llm = llm.with_structured_output(MovieReview, method="function_calling")
prompt = .ChatPromptTemplatefrom_messages(
    [
        ("system", "你是专业影评人，请对电影进行结构化评价。"),
        ("human", "请评价电影《{movie}》"),
    ]
)
# 代码中 chain 等价于：
# messages = prompt.invoke({"movie": "东邪西毒"})只把模板渲染成消息，不会调用模型
# result = structured_llm.invoke(messages)
chain = prompt | structured_llm
result: MovieReview = chain.invoke({"movie": "东邪西毒"})
return result