学习内容
- 9 链（上）：写一篇完美鲜花推文？用SequencialChain链接不同的组件
课后思考题
思考题1
题目
- 在第4课中，我们曾经用提示模板生成过一段鲜花的描述，代码如下：
for flower, price in zip(flowers, prices):
# 根据提示准备模型的输入
input = prompt.format(flower_name=flower, price=price)
# 获取模型的输出
output = model(input)
# 解析模型的输出
parsed_output = output_parser.parse(output)
请你使用LLMChain重构提示的format和获取模型输出部分，完成相同的功能。
提示：
llm_chain = LLMChain(
llm=model,
prompt=prompt)
代码实现
可以通过传入LLMChain中的prompt参数，将提示模板整合在LLMChain中。
import os
from langchain import PromptTemplate, LLMChain
from langchain_openai import ChatOpenAI
template = """您是一位专业的鲜花店文案撰写员。\n
对于售价为 {price} 元的 {flower_name} ，您能提供一个吸引人的简短描述吗？
"""
prompt = PromptTemplate(
input_variables=["price", "flower_name"], template=template)
llm = ChatOpenAI(model=os.environ.get("LLM_MODELEND"), temperature=0)
llm_chain = LLMChain(llm=llm, prompt=prompt)
input_list = [
{"price": "50", "flower_name": "玫瑰"},
{"price": "30", "flower_name": "百合"},
{"price": "20", "flower_name": "康乃馨"},
]
result = llm_chain.apply(input_list)
print(result)
提示模板构建问题
在使用PromptTemplate类方法时，我对创建类和使用类方法比较模糊，询问了AI助手之后得到了解答。
在LangChain中，PromptTemplate和PromptTemplate.from_template方法都是用于创建提示模板的，但它们之间有一些区别：
-
使用方式：
PromptTemplate是一个类，需要实例化后使用。你需要提供模板字符串和输入变量的名称。PromptTemplate.from_template是一个静态方法，可以直接从模板字符串创建PromptTemplate实例。
-
灵活性：
PromptTemplate提供了更多的灵活性，你可以在实例化时指定模板字符串、输入变量的名称，以及其他一些参数，如模板格式（template_format）等。PromptTemplate.from_template方法则相对简单，它只接受一个模板字符串，并自动推断输入变量的名称。
-
代码示例：
使用PromptTemplate：
from langchain.prompts import PromptTemplate
template = "你正在写关于{topic}的文章，以下是一些关键点：{points}"
prompt = PromptTemplate(template=template, input_variables=["topic", "points"])
使用PromptTemplate.from_template：
from langchain.prompts import PromptTemplate
template = "你正在写关于{topic}的文章，以下是一些关键点：{points}"
prompt = PromptTemplate.from_template(template)
在这个例子中，两种方法创建的prompt对象是等价的，但使用PromptTemplate类提供了更多的控制和灵活性。
总的来说，如果你需要更多的自定义选项，比如指定模板格式或部分变量，那么使用PromptTemplate类会更合适。如果你只需要一个简单的提示模板，并且不需要额外的自定义，那么PromptTemplate.from_template方法会更方便。
