提示模板通过 PromptTemplate 创建，支持字符串模板占位符，通过 format 生成查询文本。
LangChain 提供如下提示模板封装：
提示工程：Prompt Engineering，如何构造大语言模型的提示词
- 给予模型清晰明确的知识
- 让模型慢慢地思考
（吴恩达）
提示工程
gpt 提示策略
- 写清晰的指示
- 给模型提供参考（也就是示例）
- 将复杂任务拆分成子任务
- 给 GPT 时间思考
- 使用外部工具
- 反复迭代问题
提示框架
一个提示词自上而下通常包含如下几个部分：
- 指令 Instruction，描述任务大概是什么，怎么做。如定义角色（你是一个 xxx），如何查询，如何使用外部信息等
- 上下文 Context，模型额外的知识来源，通常来自于矢量数据库，详见嵌入
- 提示输入 Prompt Input，描述问题具体是什么，也可以与指令部分合并
- 输出指示器 Output Indicator，标记要生成文本的开头，引导大模型输出给定类型的文本（可选）
Few-Shot 示例
FewShotPromptTemplate 可以添加几个示例，为模型提供生成答案的思路和样本
示例通常位于指令部分之后
One-Shot是最常见的一种Few-ShotZero-Shot指在没有任何示例的情况下，只根据任务描述生成响应
先准备示例列表，这里使用字典存储示例，方便后面按模板生成示例 PromptTemplate
示例模板也是一个 PromptTemplate，这里字符串模板中的变量与前面示例列表一一对应。
最后，将示例列表和示例模板传递给 FewShotPromptTemplate 即可
示例选择器
示例选择器用于在多个示例中选择合适的示例样本。该功能也是基于向量相似度实现，可在有大量示例时节省请求 Token
samples：示例样本OpenAIEmbeddings：用于将示例样本转化为向量存储Chroma：指定向量数据库类型
思维链
思维链是对 Few-Shot 的扩展，用于提高示例引导的有效性
思维链：CoT（Chain of Thought），在示例中提供中间推导过程以提高大语言的复杂推导能力
Zero-Shot CoT：直接提示think step by step也能显著提升准确性
使用 CoT 提示，需要在示例中描述足够详细的中间步骤
思维树
思维树（ToT，Tree of Thoughts）是对思维链的扩展，引导语言将每个步骤划分为多个候选方案，根据要求选出最佳选择。
输出解析
输出解析 StructuredOutputParser 可以产生结构化的回应，原理是在提示词末尾追加描述输出样式的文本，由 AI 按格式生成
