[LangChain] 学习笔记（05）：提示词模板（Prompt）与少样本注入（Few-Shot）实战

📌 核心结论（TL;DR）

1. 模板化 ：ChatPromptTemplate 使用 {} 占位符实现提示词与数据的解耦，配合 LCEL 管道符，是 LangChain 应用的基础。

2. 少样本注入（Few-Shot）：提供 2-3 个标准的"输入-输出"示例，比千言万语的规则描述更能约束大模型的输出格式。

3. 思维链（CoT）：在示例中提供推导过程，能极大激活模型逻辑推理能力，解决复杂数学和逻辑问题。

4. 示例选择器 ：当示例库过大时，通过 LengthBasedExampleSelector（按长度）或 SemanticSimilarityExampleSelector（按语义相似）动态挑选最合适的示例，控制 Token 消耗。

🔍 一、 原理图解与核心概念

1. 为什么要用模板？

• 原始痛点 ：手写 SystemMessage，改一个变量要全局搜索替换。

• 模板方案 ：定义 "将 {source} 翻译成 {target}"，传入字典 {"source": "英文", "target": "中文"}，瞬间生成。

2. 少样本与 CoT 的威力

• Few-Shot：大模型是模仿大师。给几个完美的示例，它就能照葫芦画瓢。

• Few-Shot CoT：不仅要给答案，还要给过程（例如：先算消耗，再算买入，最后求和）。模型会模仿你的推理路径，大幅降低错误率。

💻 二、 精选核心代码片段

1. 基础模板与 LCEL

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate([
    ("system", "你是一个精通{domain}的专家。"),
    ("user", "解释什么是{concept}？")
])
chain = prompt | model
result = chain.invoke({"domain": "物理", "concept": "量子纠缠"})

2. 少样本注入（Few-Shot Chat）

from langchain_core.prompts import FewShotChatMessagePromptTemplate, ChatPromptTemplate

examples = [
    {"text": "hi", "output": "你好"},
    {"text": "bye", "output": "再见"},
]
example_prompt = ChatPromptTemplate([("human", "{text}"), ("ai", "{output}")])

few_shot_prompt = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=examples,
)

# 拼接成最终模板
final_prompt = ChatPromptTemplate([
    ("system", "中英翻译"),
    few_shot_prompt,
    ("human", "{input}")
])

3. 长度示例选择器（防止 Token 爆炸）

from langchain_core.example_selectors import LengthBasedExampleSelector

selector = LengthBasedExampleSelector(
    examples=examples,
    example_prompt=example_prompt,
    max_length=25, # 限制提示词最大长度
)

dynamic_prompt = FewShotPromptTemplate(
    example_selector=selector, # 动态选择示例
    example_prompt=example_prompt,
    prefix="给出反义词：",
    suffix="Input: {adjective}\nOutput: ",
    input_variables=["adjective"],
)

在使用 LengthBasedExampleSelector 时，如果输入的中文文本非常长，会占满 max_length 的额度，导致所有少样本示例被裁剪掉 。

此时，Few-Shot 退化为 Zero-Shot，大模型会失去格式约束，返回长篇大论（例如：输入"非常非常大的"，模型返回了一大段解释和超长的反义词，而不是单纯的单词）。

解决方案 ：对中文场景，建议改用 SemanticSimilarityExampleSelector（基于向量语义匹配）来动态挑选示例，或者适当调大 max_length 并缩小 chunk_size。

(完整的包含思维链与多种示例选择器的代码已上传至 Gitee 仓库)

⚠️ 三、 踩坑排查排雷

1. 大括号转义坑 ：在 Prompt 中输出原生 JSON（如 {"name": "Bob"}），会报 KeyError。排查 ：必须双写大括号 {``{"name": "Bob"}}。

2. LengthBasedExampleSelector 对中文支持不佳 ：默认按空格切分单词计算长度。排查 ：生产环境更推荐使用 SemanticSimilarityExampleSelector，基于向量检索匹配最相似示例。

3. 少样本过拟合 ：示例太多（如超过 5 个）且高度相似，会导致模型只会死板复读，丧失泛化能力。排查：保留 2-3 个具有代表性的示例，且尽量覆盖不同边界情况。