提示工程学习笔记 | 豆包MarsCode AI刷题

八方来财好运连连财神爷的大宝贝
12 阅读7分钟

LangChain 提示工程学习笔记

前言

LangChain 是一个专注于帮助开发者高效调用大语言模型的强大框架。提示工程（Prompt Engineering）作为大语言模型应用的核心技术，是理解和使用 LangChain 的重要基础。通过本次学习，我不仅掌握了 LangChain 中提示模板的类型和使用方法，还深入理解了 FewShotPromptTemplate 的优势及原理，同时结合鲜花店的实际场景应用进行了思考和探索。

本篇笔记将围绕以下几个主题展开：

  1. 提示工程的基本概念与原则
  2. LangChain 提示模板类型及使用解析
  3. FewShotPromptTemplate 的详细剖析与场景应用
  4. 对 Prompt Engineering 的个人思考与实践反思
  5. 展望：未来提示工程的发展趋势与可能性

1. 提示工程的基本概念与原则

提示工程是通过设计提示（Prompts）来引导大语言模型生成符合预期输出的一门技术。这种方法不仅依赖于自然语言的清晰表达，还结合了对模型能力的深刻理解。

两大原则

吴恩达在 ChatGPT 提示工程课程中提出了两大核心原则：

  1. 清晰而具体的指示：让提示明确且无二义性。例如，告诉模型输出 JSON 格式的答案而非纯文本描述。
  2. 给模型思考的时间：引导模型分步骤思考，例如通过链式推理（Chain of Thought, CoT）帮助模型分解复杂问题。

这两大原则贯穿了整个提示设计过程，不仅适用于大语言模型，也能指导我们处理复杂任务。

OpenAI 提出的 6 大策略

与上述原则类似，OpenAI 的 GPT 最佳实践中总结了提示设计的 6 大策略：

  1. 写清晰的指示
  2. 给模型提供参考（示例）
  3. 将复杂任务拆分成子任务
  4. 给 GPT 充足的思考时间
  5. 使用外部工具辅助
  6. 反复迭代提示设计

这些方法相辅相成，共同提高了模型的响应质量和实用性。

个人思考

提示工程不仅仅是技术，更是一种思维方式。它要求我们从模型的角度去思考：模型缺少背景知识时，如何通过上下文弥补？当任务复杂时，如何分解为多个步骤？这不仅训练了我设计提示的能力，也提升了我逻辑思维的清晰度。

2. LangChain 提示模板类型及使用解析

LangChain 中的提示模板是实现提示工程的核心工具，其类型和灵活性使其适应了多种任务需求。

主要类型
  1. PromptTemplate：基础模板，通过字符串和变量的组合生成提示，适合单一任务。
  2. FewShotPromptTemplate：少样本模板，提供示例指导模型任务。
  3. ChatPromptTemplate：适用于聊天模型，支持多角色提示（如系统、用户、助手）。
  4. PipelinePromptTemplate：支持多阶段任务的分步设计，适合复杂流程。
PromptTemplate 示例

PromptTemplate 是 LangChain 最基本的提示模板，可以通过字符串模板和变量轻松生成提示。

示例代码：

python
复制代码
from langchain.prompts import PromptTemplate

template = "你是业务咨询顾问。请为一个销售{product}的公司起名。"
prompt = PromptTemplate.from_template(template)
formatted_prompt = prompt.format(product="鲜花")
print(formatted_prompt)

输出：

复制代码
你是业务咨询顾问。请为一个销售鲜花的公司起名。

这种简单的模板设计已经能够满足大部分需求，但当任务复杂、需要上下文指导时，就需要更高级的模板。

个人分析

PromptTemplate 是提示工程的起点，也是掌握 LangChain 的基础。通过变量动态替换，我们可以快速生成适合特定场景的提示，但它的局限性在于无法支持多轮对话或上下文协作，这时需要用到更高级的 ChatPromptTemplate 和 FewShotPromptTemplate。

3. FewShotPromptTemplate 的详细剖析与场景应用

FewShotPromptTemplate 是提示工程的核心工具之一，尤其适合需要模型参考示例的场景。它的设计思想来源于少样本学习（Few-Shot Learning），通过示例引导模型理解任务。

FewShotPromptTemplate 的结构

FewShotPromptTemplate 包含以下几个重要部分：

  1. 示例集（Examples） ：一组预定义的任务示例。
  2. 模板格式化（Example Prompt） ：定义示例的格式和变量。
  3. 输入变量（Input Variables） ：动态生成提示时使用的变量。
  4. 后缀（Suffix） ：提示的结尾部分，用于引入新的输入问题。
实现流程

以下是 FewShotPromptTemplate 在鲜花文案生成中的应用步骤：

  1. 定义示例：通过一组示例文案为模型提供参考。
  2. 创建模板：设置输入变量和格式化规则。
  3. 生成提示：将输入问题与示例结合，生成完整提示。

示例代码：

python
复制代码
from langchain.prompts.few_shot import FewShotPromptTemplate
from langchain.prompts import PromptTemplate

# 示例集
examples = [
    {"flower_type": "玫瑰", "occasion": "爱情", "ad_copy": "玫瑰象征浪漫，是表达爱意的最佳选择。"},
    {"flower_type": "康乃馨", "occasion": "母亲节", "ad_copy": "康乃馨代表母爱，是母亲节的完美礼物。"}
]

# 定义模板
example_prompt = PromptTemplate(
    input_variables=["flower_type", "occasion", "ad_copy"],
    template="花种: {flower_type}\n场合: {occasion}\n文案: {ad_copy}\n"
)

# FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    suffix="花种: {flower_type}\n场合: {occasion}",
    input_variables=["flower_type", "occasion"]
)

# 测试生成
formatted_prompt = few_shot_prompt.format(flower_type="向日葵", occasion="鼓励")
print(formatted_prompt)

输出：

makefile
复制代码
花种: 玫瑰
场合: 爱情
文案: 玫瑰象征浪漫，是表达爱意的最佳选择。

花种: 康乃馨
场合: 母亲节
文案: 康乃馨代表母爱，是母亲节的完美礼物。

花种: 向日葵
场合: 鼓励
示例选择器的优化

如果示例数量很多，LangChain 提供了基于语义相似度的示例选择器（Example Selector），通过向量数据库动态选取最相关的示例。

示例代码（简要） ：

python
复制代码
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings

selector = SemanticSimilarityExampleSelector.from_examples(
    examples, OpenAIEmbeddings(), Chroma, k=1
)

通过这种方式，我们可以避免传递过多示例，节省 Token 成本。

个人思考

FewShotPromptTemplate 在提升模型生成质量方面效果显著。通过示例，模型不仅能更好地理解任务，还能模仿示例的语气和风格。然而，这种方法对示例的质量要求较高，低质量示例可能误导模型。此外，结合示例选择器，可以进一步提高效率，但需权衡语义相似度计算的时间开销。

4. 对 Prompt Engineering 的个人思考与实践反思

学习 LangChain 的提示工程让我意识到，构建好的提示不仅是技术问题，更是与业务逻辑深度结合的过程。以下是我在实践中的一些体会：

  1. 示例的重要性：示例的选择和质量直接决定了 FewShotPromptTemplate 的效果。在实际应用中，我倾向于以“通用场景+特定案例”相结合的方式提供示例。
  2. 多样性与灵活性：LangChain 的提示模板具有高度灵活性，但需要在不同场景中权衡复杂性与实用性。例如，对于鲜花店的场景应用，PromptTemplate 已能满足大部分需求，但在客户服务对话中，ChatPromptTemplate 则更具优势。
  3. 成本与性能：随着提示工程复杂度的增加，模型调用的成本也在上升。示例选择器等优化工具虽然能节省 Token，但也增加了额外的计算开销。因此，需要根据场景具体评估效率与成本的平衡。

5. 展望：未来提示工程的发展趋势与可能性

提示工程作为大语言模型应用的关键技术，未来可能朝以下方向发展：

  1. 自动化提示优化：通过模型训练自动生成最优提示，减少人工设计负担。
  2. 跨领域通用性：发展更通用的提示模板，适应不同业务场景。
  3. 与工具的深度结合：结合外部工具（如数据库、API）增强提示功能，实现更复杂的任务。

结语

LangChain 的提示工程不仅是技术工具，更是一种解决问题的思维方式。从基本的 PromptTemplate 到高级的 FewShotPromptTemplate，每一种模板都有其适用场景和独特价值。在未来的实践中，我将持续探索如何结合提示工程和业务需求，设计出更高效、更智能的解决方案。期待下一节课深入学习 Chain of Thought 技术，让提示工程更上一层楼！

avatar
文章
阅读
粉丝