def solution(s):
k_count = 0
u_count = 0
for char in s:
if char.lower() == 'k':
k_count += 1
elif char.lower() == 'u':
u_count += 1
return min(k_count, u_count)
以下是对上述代码的解读：
函数定义：
solution函数接收一个字符串s作为参数，目的是计算这个字符串中能组成最多多少个字符串 “ku”。
内部实现：
-
首先初始化两个变量
k_count和u_count为 0，分别用于统计字符串中字母k和字母u的出现次数。 -
然后通过一个循环遍历输入字符串
s中的每个字符。- 如果当前字符转换为小写后等于
'k'，则将k_count加 1，表示找到了一个可能用于组成 “ku” 的k。 - 如果当前字符转换为小写后等于
'u'，则将u_count加 1，表示找到了一个可能用于组成 “ku” 的u。
- 如果当前字符转换为小写后等于
-
最后，通过
min(k_count, u_count)返回可以组成的 “ku” 的数量。这是因为只有当k和u的数量相同时才能组成完整的 “ku”，而较少的那个字母的数量决定了最终能组成的 “ku” 的数量。
主程序部分：
- 在
if __name__ == '__main__':部分，对函数进行了测试。分别传入三个不同的字符串，并检查函数的输出是否与预期的结果相等。这有助于确保函数在不同的输入情况下都能正确工作。 - 在提示模板的构建过程中加入了partial_variables，也就是输出解析器指定的format_instructions之后，为什么能够让模型生成结构化的输出？
当你用print语句打印出最终传递给大模型的提示时，一切就变得非常明了。
plain
复制代码
AI练中学
您是一位专业的鲜花店文案撰写员。
对于售价为 50 元的 玫瑰 ，您能提供一个吸引人的简短描述吗？
The output should be a markdown code snippet formatted in the following schema, including the leading and trailing "```json" and "```":
```json
{
"description": string // 鲜花的描述文案
"reason": string // 问什么要这样写这个文案
}
秘密在于，LangChain的输出解析器偷偷的在提示中加了一段话，也就是 {format_instructions} 中的内容。这段由LangChain自动添加的文字，就清楚地指示着我们希望得到什么样的回答以及回答的具体格式。提示指出，模型需要根据一个schema来格式化输出文本，这个 schema 从 ```json 开始，到 ``` 结束。
这就是在告诉模型，你就follow这个schema（schema，可以理解为对数据结构的描述）的格式，就行啦！
这就是一个很棒、很典型的提示工程。有了这样清晰的提示，智能程度比较高的模型（比如GPT3.5及以上版本），肯定能够输出可以被解析的数据结构，如JSON格式的数据。
那么这节课我就带着你进一步深究，如何利用LangChain中的提示模板，做好提示工程。
上节课我说过，针对大模型的提示工程该如何做，吴恩达老师在他的 ChatGPT Prompt Engineering for Developers 公开课中，给出了两个大的原则：第一条原则是写出清晰而具体的指示，第二条原则是给模型思考的时间。
无独有偶，在Open AI的官方文档 GPT 最佳实践中，也给出了和上面这两大原则一脉相承的6大策略。分别是：
- 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
怎么样，这些原则和策略是不是都是大白话？这些原则其实不仅能够指导大语言模型，也完全能够指导你的思维过程，让你处理问题时的思路更为清晰。所以说，大模型的思维过程和我们人类的思维过程，还是蛮相通的。
