LangChain是一个用于构建基于大型语言模型（LLM）的应用程序的开源框架。它通过提供一系列的工具、套件和接口，简化了LLM应用程序生命周期的各个阶段，包括开发、生产化和部署。今天具体学习了提示工程。
提示工程是一种与生成性人工智能模型交互的技术，它涉及设计和优化文本输入，以引导模型产生预期的回答或行为。以下是提示工程的一些详细介绍：
提示工程是创建文本输入的过程，这些输入能够有效地与生成性AI模型沟通。这些提示以自然语言书写，指明我们希望AI执行的任务。它们可以是简单的问题，比如请求解释数学定理，也可以是更有创造性的请求，LangChain中提供String（StringPromptTemplate）和Chat（BaseChatPromptTemplate）两种基本类型的模板，并基于它们构建了不同类型的提示模板：
我也使用了PromptTemplate进行实例演示，
这是我运用了kimi的api来写的一个生成鲜花的营销文案，我的API密钥设置在了环境变量中方便直接调用，并指定了API的基础URL。然后，定义了一个模板字符串，用于生成针对不同鲜花和价格的文案提示。接着创建了一个PromptTemplate对象，并遍历一个包含鲜花名称和价格的列表，为每种鲜花生成一个提示文本。在尝试获取模型的完成（即文案）时，因为经常请求超时或者请求频率过快，我就设置了，如果遇到请求频率超限错误，它会等待3秒后重试，直到成功为止。最后，它会打印出由模型生成的文案。
在langchain的提示方面有很多的模板还有很多的思路，最重要的FewShot的思路：
通过本章内容的学习我知道了提供示例对于解决某些任务至关重要，通常情况下，FewShot的方式能够显著提高模型回答的质量。不过，当少样本提示的效果不佳时，这可能表示模型在任务上的学习不足。在这种情况下，我们建议对模型进行微调或尝试更高级的提示技术。还学习了Chain of Thought，Few-Shot CoT
图左和图右，大模型都读入了OneShot示例，但是图左只给出了答案，而图右则在OneShot示例中给出了解题的具体思路。结果，只给出了答案的模型推理错误，而给出解题思路后，同一个模型生成了正确的答案。以下是假设我们正在开发一个AI花店助手，它的任务是帮助用户选择他们想要的花，并生成一个销售列表。在这个过程中，我们可以使用CoT来引导AI的推理过程。
CoT这种思想，为大模型带来了更好的答案，然而，对于需要探索或预判战略的复杂任务来说，传统或简单的提示技巧是不够的。ToT是一种解决复杂问题的框架，它在需要多步骤推理的任务中，引导语言模型搜索一棵由连贯的语言序列（解决问题的中间步骤）组成的思维树，而不是简单地生成一个答案。ToT框架的核心思想是：让模型生成和评估其思维的能力，并将其与搜索算法（如广度优先搜索和深度优先搜索）结合起来，进行系统性地探索和验证。
ToT 框架为每个任务定义具体的思维步骤和每个步骤的候选项数量。例如，要解决一个数学推理任务，先把它分解为3个思维步骤，并为每个步骤提出多个方案，并保留最优的5个候选方案。然后在多条思维路径中搜寻最优的解决方案。
- CoT的核心思想是通过生成一系列中间推理步骤来增强模型的推理能力。在Few-Shot CoT和Zero-Shot CoT两种应用方法中，前者通过提供链式思考示例传递给模型，后者则直接告诉模型进行要按部就班的推理。
- ToT进一步扩展了CoT的思想，通过搜索由连贯的语言序列组成的思维树来解决复杂问题。我通过一个鲜花选择的实例，展示了如何在实际应用中使用ToT框架。
