一、提示工程的原则与策略
吴恩达老师在其 ChatGPT Prompt Engineering for Developers 公开课中提出针对大模型提示工程的两大原则：写出清晰而具体的指示、给模型思考的时间。Open AI 的官方文档 GPT 最佳实践中也给出了一脉相承的 6 大策略，包括写清晰的指示、给模型提供参考（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。这些原则和策略不仅对大语言模型有指导意义，也有助于我们自身思维过程的清晰化，体现了大模型思维过程与人类思维过程的相通性。
二、提示的结构
一个实用的提示框架包含指令（Instruction）、上下文（Context）、提示输入（Prompt Input）和输出指示器（Output Indicator）。
- 指令：告知模型任务大概内容、做法，如使用外部信息、处理查询及构造输出的方式，常是提示模板中较固定部分，如 “你是一个有用的 XX 助手” 可让模型更认真对待角色。
- 上下文：作为模型额外知识来源，信息可手动插入、通过矢量数据库检索或其他方式（如调用 API、计算器等工具）获取，如将向量数据库查询到的知识作为上下文传递给模型。
- 提示输入：通常是具体问题或需大模型做的具体事情，虽可与 “指令” 合二为一，但拆分后更结构化，便于复用模板，常作为变量在调用模型前传递给提示模板以形成具体提示。
- 输出指示器：标记要生成文本的开始，如生成 Python 代码时用 “import” 表明开始编写代码，ChatGPT 对话中有时可有可无，LangChain 代理构建提示模板时常用 “Thought：” 引导模型输出推理。
三、LangChain 提示模板的类型
LangChain 提供 String（StringPromptTemplate）和 Chat（BaseChatPromptTemplate）两种基本类型模板，并构建了不同类型提示模板。其导入方式多样，如from langchain.prompts.prompt import PromptTemplate等，有时也可直接从 LangChain 包导入，如from langchain import PromptTemplate。
不同类型的提示模板
（一）使用 PromptTemplate
通过示例说明其使用，如创建模板你是业务咨询顾问。你给一个销售{product}的电商公司，起一个好的名字？，使用PromptTemplate.from_template方法创建提示模板对象，再用prompt.format方法将{product}替换为具体值（如 “鲜花”）得到具体提示。也可通过构造函数手工指定input_variables创建模板，如prompt = PromptTemplate(input_variables=["product", "market"], template="你是业务咨询顾问。对于一个面向{market}市场的，专注于销售{product}的公司，你会推荐哪个名字？")，二者效果相同。
（二）使用 ChatPromptTemplate
针对 ChatGPT 等聊天模型，LangChain 提供的模板有对应角色。OpenAI 对传输到 gpt - 3.5 - turbo 和 GPT - 4 的 message 格式有规定，包括系统、用户、助理角色及对应内容。LangChain 的 ChatPromptTemplate 依此设计。示例中先导入聊天消息类模板，构建模板如你是一位专业顾问，负责为专注于{product}的公司起名。（系统消息模板）和公司主打产品是{product_detail}。（用户消息模板），再通过ChatPromptTemplate.from_messages方法创建提示模板对象，最后格式化提示消息并传入模型得到结果。
（三）使用 FewShotPromptTemplate
FewShot（少样本）概念是提示工程重要部分，对应 OpenAI 提示工程指南中 “给模型提供参考（示例）”。
-
Few - Shot 思想起源：Few - Shot、One - Shot（单样本）和 Zero - Shot（零样本）概念起源于机器学习，旨在让模型在极少或无示例情况下学习新事物，在机器学习和深度学习研究中逐渐形成发展。Few - Shot Learning 相关重要参考文献有 2016 年 Vinyals, O. 的《小样本学习的匹配网络》，Zero - Shot Learning 相关有 2009 年 Palatucci, M. 的《基于语义输出编码的零样本学习（Zero - Shot Learning with semantic output codes）》。在提示工程中也被广泛应用，如 GPT - 3 模型在《Language models are Few - Shot learners（语言模型是少样本学习者）》论文中被指出可通过提升规模实现出色 Few - Shot 学习性能。
-
使用 FewShotPromptTemplate：
- 创建示例样本：创建包含花的类型、适合场合及对应广告文案的字典列表作为示例，如
[{"flower_type": "玫瑰","occasion": "爱情","ad_copy": "玫瑰，浪漫的象征，是你向心爱的人表达爱意的最佳选择。"},...]。 - 创建提示模板：用
PromptTemplate创建格式化示例的提示模板对象，如template="鲜花类型: {flower_type}\n场合: {occasion}\n文案: {ad_copy}"，prompt_sample = PromptTemplate(input_variables=["flower_type", "occasion", "ad_copy"], template=template)。 - 创建 FewShotPromptTemplate 对象：利用之前的
prompt_sample和示例列表创建FewShotPromptTemplate对象，如prompt = FewShotPromptTemplate(examples=samples, example_prompt=prompt_sample, suffix="鲜花类型: {flower_type}\n场合: {occasion}", input_variables=["flower_type", "occasion"])，可生成包含多个示例和新提示的复杂模板。 - 调用大模型创建新文案：将
FewShotPromptTemplate对象输出给大模型（需设置 OpenAI API Key），如model = OpenAI(model_name='gpt - 3.5 - turbo - instruct')，result = model(prompt.format(flower_type="野玫瑰", occasion="爱情"))，模型可根据示例模仿写出新文案。
- 创建示例样本：创建包含花的类型、适合场合及对应广告文案的字典列表作为示例，如
-
使用示例选择器：当示例很多时，为避免一次性发送所有示例给模型造成不现实和低效，以及节省 Token 用量（OpenAI 按 Token 收费），LangChain 提供示例选择器。如
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector等，先初始化示例选择器（需安装向量数据库，如 Chroma），再创建使用示例选择器的FewShotPromptTemplate对象，可根据语义相似度选择最相关示例构建提示，如生成红玫瑰文案时，示例选择器会找到最相似的 “玫瑰” 示例构建模板。
四、总结
通过对 LangChain 中这些提示模板的学习与应用，我们能更好地进行提示工程，让大模型生成更符合需求的结果，提升其在各种任务中的表现与应用价值，为我们的实际工作和项目开发提供有力支持与帮助。
