langchain promptlangchain prompt结构有四部分组成： instructions 用于额外的

langchain prompt结构有四部分组成：

instructions 用于额外的提示，如确定对话场景，明确身份等，一般都是固定的
context 上下文，是额外的知识，一般用于存放数据库查询到的知识
prompter input 我们传统概念上的prompt
output indicator 用于标记输出的开始。

langchain提供了两种提示词：string和chat，并基于此提供了提示模版 prompt template chatprompt template fewshotprompt template pipeline prompt

基础使用string template和chat template

最基础的template有以下步骤：

from langchain.template import PromptTemplate

template = "a f string{name}"
# 这种方法直接从字符串模板中创建提示词
template = PromptTemplate.from_template(template = template)

template.format(name = "")
复制代码

直接调用PromptTemplate和PromptTemplate.from_template的区别：前者是该累的构造函数，分别传入input variable和template，后者自动获取variable 对于chat场景，有以下方法

from langchain.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

template = "f string{string}"
system_message_prompt = SystemMessagePromptTemplate.from_template(template = template)

human_template = "f string{string}"
human_message_prompt = HumanMessagePromptTemplate.from_template(template = template)

# message_template -> message_prompt -> template -> prompt, etc..

prompt_template = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt]) # 如果是string template，那么就直接format了，但是这里是chat template，所以要先from_messages

prompt = prompt_template.format_prompt(string = "", string = "").to_messages() # format prompt 而不是直接format

import os

from langchain_openai import ChatOpenAI

chat = ChatOpenAI(
    model = os.environ.get("LLM_MODELEND"),
)

result = chat.invoke(prompt)
复制代码

fewshot Prompt-给模型以示例

few-shot，zeroshot等概念略在代码中，一个“shot”就是一个字典，字典包含信息

# 1. 创建一些示例
samples = [
  {
    "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。"
  },
  {
    "flower_type": "康乃馨",
    "occasion": "母亲节",
    "ad_copy": "康乃馨代表着母爱的纯洁与伟大，是母亲节赠送给母亲的完美礼物。"
  },
  {
    "flower_type": "百合",
    "occasion": "庆祝",
    "ad_copy": "百合象征着纯洁与高雅，是你庆祝特殊时刻的理想选择。"
  },
  {
    "flower_type": "向日葵",
    "occasion": "鼓励",
    "ad_copy": "向日葵象征着坚韧和乐观，是你鼓励亲朋好友的最好方式。"
  }
]

复制代码

创建prompt_template对象

from langchain.prompts.prompt import PromptTemplate

template = "鲜花类型: {flower_type}\n场合: {occasion}\n文案: {ad_copy}"
prompt_sample = PromptTemplate(
    input_variables = ["flower_name", "occasion", "ad"],
    template = template) # 本质上是一个可以接受输入的字符串
# format, format_prompt的区别是什么？直接调用PromptTemplate和PromptTemplate.format的区别是什么？
print(prompt.format(**samples[0]))

from langchain.prompts.few_shot import FewShotPromptTemplate

prompt = FewShotPromptTemplate(
    examples = samples,
    example_prompt = prompt_sample,
    suffix = "鲜花类型: {flower_type}\n场合: {occasion}", # suffix有什么用？
    input_variables = ["flower_type", "occasion"],
)

import os

from langchain_openai import ChatOpenAI

chat = ChatOpenAI(
    model = os.environ.get("LLM_MODELEND"),
)

results = chat.invoke(prompt.format(flower_type = "野玫瑰", occasion = "狂野"))

print(results)
# content='文案：野玫瑰，充满野性的美丽，是你释放内心狂野、展现独特魅力的绝佳象征。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 23, 'prompt_tokens': 145, 'total_tokens': 168}, 'model_name': 'Doubao-pro-32k', 'system_fingerprint': '', 'finish_reason': 'stop', 'logprobs': None} id='run-59f2b2e3-3814-41bc-807a-3f3c20491f7c-0' usage_metadata={'input_tokens': 145, 'output_tokens': 23, 'total_tokens': 168}