LangChain的提示工程 | 豆包MarsCode AI刷题本文主题为 LangChain 学习笔记：提示工程与推理

一、概述

LangChain 是一个为大型语言模型（LLMs）提供工具支持的框架，提示工程是其核心能力之一。通过优化提示，可以有效提升模型的任务完成效果和生成质量。本学习笔记简单介绍了LangChain的提示工程，重点在于 FewShotPromptTemplate、Chain of Thought（CoT） 和 Tree of Thought（ToT） 的应用方法与原理。

二、FewShotPromptTemplate 与示例选择

FewShotPromptTemplate 是提示工程的基础，通过提供示例，模型可以从中学习并生成更加准确的输出。

1. FewShotPromptTemplate 的结构

FewShotPromptTemplate 包括：

示例样本（Examples）：用于指导模型学习任务的输入输出对。
示例模板（Example Prompt）：定义示例的格式。
输入变量与后缀（Input Variables & Suffix）：动态传入的具体变量及补充的输出格式。

2. 使用步骤

构建示例样本：每个示例是一个字典，定义了输入与输出的预期结构。

samples = [
    {"flower_type": "玫瑰", "occasion": "爱情", "ad_copy": "玫瑰，浪漫的象征。"},
    {"flower_type": "康乃馨", "occasion": "母亲节", "ad_copy": "康乃馨象征母爱。"}
]

创建提示模板：使用 PromptTemplate 定义示例格式。

template = "鲜花类型: {flower_type}\n场合: {occasion}\n文案: {ad_copy}"
example_prompt = PromptTemplate(input_variables=["flower_type", "occasion", "ad_copy"], template=template)

生成 FewShotPromptTemplate：结合样本、模板以及用户输入生成完整的 FewShotPrompt。

prompt = FewShotPromptTemplate(
    examples=samples,
    example_prompt=example_prompt,
    suffix="鲜花类型: {flower_type}\n场合: {occasion}",
    input_variables=["flower_type", "occasion"]
)
print(prompt.format(flower_type="百合", occasion="庆祝"))

结合示例选择器：利用 SemanticSimilarityExampleSelector 按需选择最相关的样本，避免高成本的 Token 消耗。
```
example_selector = SemanticSimilarityExampleSelector.from_examples(samples, OpenAIEmbeddings(), Chroma, k=1)
```

三、思维链（Chain of Thought, CoT）

CoT 是提示工程中的一种增强推理方法，通过生成清晰的中间推理步骤，提高模型复杂任务的表现。

1. CoT 的两种形式

Few-Shot CoT：在提示中加入示例，展示推理过程。

示例：
人类：2个苹果加上3个苹果等于多少？
AI：首先，2个苹果加上3个苹果等于5个苹果。因此答案是5。

Zero-Shot CoT：仅通过指令提示模型进行逐步推理，例如加入 Let's think step by step。
```
Prompt：
Question: What is the sum of 2 and 3?
Let's think step by step.
```

2. CoT 的应用

CoT 可引导模型分步骤完成复杂任务。例如，针对鲜花推荐场景：

role_template = "你是一个花店助手。"
cot_template = """
作为助手，我会按以下步骤进行推荐：
1. 理解用户需求。
2. 分析需求并关联适合的花卉。
3. 说明推荐理由。
示例 1:
  人类：我想找一种象征爱情的花。
  AI：红玫瑰是爱情的象征，推荐红玫瑰。
示例 2:
  人类：我想找一种独特的花。
  AI：兰花以独特和美丽著称，推荐兰花。
"""
chat_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(role_template),
    SystemMessagePromptTemplate.from_template(cot_template)
])

通过Few-Shot 示例与逐步推理，模型能更准确地满足用户需求。

四、思维树（Tree of Thought, ToT）

ToT 是 CoT 的扩展，通过系统性探索解决复杂问题。它引入了树状搜索的概念，用语言序列表示推理路径。

1. ToT 的关键特点

生成候选路径：模型在每一步生成多个候选解。
引入搜索算法：如广度优先搜索（BFS）或深度优先搜索（DFS）评估路径。
动态验证和强化：选择最佳推理路径。

2. ToT 的应用示例

假设顾客咨询：“我想为妻子购买一束花，她喜欢淡雅的颜色和花香。”

思维步骤：
1. 理解需求：
   - 妻子喜欢淡雅的颜色和花香。
2. 候选选项：
   - 百合：颜色淡雅，香气宜人。
   - 紫罗兰：柔和色调，芬芳扑鼻。
   - 桔梗：颜色淡雅，但香气不足。
3. 筛选最佳选择：
   - 百合和紫罗兰最符合需求。
4. 推荐：
   “建议选择百合或紫罗兰，它们既符合颜色偏好，又拥有花香。”

通过多步骤分解和路径筛选，ToT 框架能更全面地考虑用户需求并优化推荐。

五、总结与反思

1. FewShotPromptTemplate

通过示例与结构化模板，提高模型对特定任务的理解与表现。

优势：适合明确的任务需求。
局限：对少样本依赖较大。

2. Chain of Thought

引导模型按部就班地推理，适合复杂任务的逐步拆解。

Few-Shot CoT：用示例指导推理。
Zero-Shot CoT：直接提示逐步推理，成本较低。

3. Tree of Thought

结合搜索算法扩展推理深度与广度，为复杂问题提供高效解决路径。

优势：适合复杂、多路径决策任务。
局限：计算资源需求较高。

4. 提示工程的核心思想

无论是 FewShotPromptTemplate 还是 CoT/ToT，其核心目标是：

通过结构化示例与分步推理，明确需求，降低生成误差。
提高模型理解能力，使其更符合用户意图。

未来方向：结合强化学习或动态示例选择器，可以进一步优化 ToT 框架，使其在更广泛的应用场景中表现更佳。

通过对提示工程的深入学习，我们可以有效提升 LangChain 框架的使用效率，为复杂任务开发提供强有力的支持。