（ 教学 ）Agent 构建 Prompt（提示词）2. 提示词模板 ( Few-Shot Templates (FewShotPromptTemplate))

RedTiemr
11 阅读50分钟
.custom { background-color: #008d8d; color: white; padding: 0.25em 0.5em 0.25em 0.5em; white-space: pre-wrap; /* css-3 */ white-space: -moz-pre-wrap; /* Mozilla, since 1999 */ white-space: -pre-wrap; /* Opera 4-6 */ white-space: -o-pre-wrap; /* Opera 7 */ word-wrap: break-word; } pre { background-color: #027c7c; padding-left: 0.5em; }

（ 教学 ）Agent 构建 Prompt（提示词）2. 提示词模板 ( Few-Shot Templates (FewShotPromptTemplate))

在这张中涉及到一些RAG的概念，RAG具体概念和使用会在RAG的篇章中出现。

LangChain 的少样本提示（few-shot prompting）通过提供精心挑选的示例，为引导语言模型生成高质量输出提供了稳健框架。该技术在无需大规模模型微调的前提下，确保跨多种用例都能获得精准且具备上下文感知的结果。

  • 少样本提示模板 ：通过嵌入示例来定义提示的结构与格式，引导模型产生一致的输出。

  • 示例选择策略 ：动态为给定查询挑选最相关的示例，增强模型的上下文理解与回答准确性。

  • Chroma 向量存储 ：基于语义相似度存储与检索示例的强大工具，支持可扩展且高效的提示构建。

在生产环境中， 实例选择器（Example Selector） 的核心价值是“ 让模型每次都看到最贴切的例子 ”，从而把少样本提示从“静态模板”升级为“动态、可扩展、可解释”的系统级能力。具体用途体现在以下 6 个方面：

  1. 语义缓存，降低人工维护成本 传统做法是把所有例子硬编码在 prompt 里，业务一旦扩充就要人工增删改。用 SemanticSimilarityExampleSelector 后，只需把新问答对写进向量库，系统即可自动召回最相似的 k 条，无需再改代码或 prompt 文件。
  2. 长窗口场景下的“ token 减负” 大模型上下文长度有限，硬塞 50 个例子容易爆窗。实例选择器先算语义距离，只挑 3–5 条最相关的，prompt 长度从几千 token 压到几百，推理费用直接腰斩。
  3. 多租户/多领域隔离 同一份代码服务不同客户时，可把每个客户的私有问答对存成独立集合，查询时带上 filter={"tenant_id":"A"} ，实现“数据物理隔离 + 语义召回”两不误，避免 prompt 串台。
  4. 灰度与 A/B 可解释性 线上做实验只需在向量库里给例子打标 {"group":"test_v2"} ，流量分组后对比不同召回策略的指标，问题归因时可直接拉出“当时到底喂了哪 3 条例子”，比黑盒 prompt 更易解释。
  5. 实时修正 bad case 运营人员发现某类问题回答错误，立刻在后台新增一条正例并写入 Chroma，30 秒后线上即可命中，无需走完整的发版流程，实现“数据即代码”的热修复。
  6. 多模态/多语言扩展 把图片、表格、代码片段也转成 embedding 存进向量库，实例选择器可以跨模态召回“最相似的一张图”或“最相似的一段代码”，让少样本提示从纯文本升级到多模态，无需改 prompt 模板。 一句话： 实例选择器让少样本提示从“写死模板”变成“可检索、可度量、可运营”的动态知识系统 ，这是生产环境真正落地时不可或缺的一环。

实例选择器的工作原理

在实例中 把这三条记录当成示范样本 （few-shot examples）。核心流程如下：

  1. 用户的新请求进来后， Example Selector 先算语义相似度，从 examples 里挑出最像的一条或几条。
  2. 把挑中的示范样本按模板拼成一段少 shots前缀， 再把你真正要问的 instruction + input 追加在后面 ，形成最终 prompt。
  3. 整个 prompt 扔给 LLM，模型参照示范样本的格式/风格，输出对应的 answer。

所以

  • examples 里的 answer 只是“示范格式”，不是直接嵌入到最终答案里；
  • 真正给用户的答案由 LLM 现场生成，示范样本只起“提示”作用；
  • 可以让示范样本的格式保持统一（例如都用 Markdown 表格），模型就会按这个统一格式来答

目录

参考资料

定义yaml 环境变量

from langchain_opentutorial import set_env
import os
set_env(
    {
        "SILICONFLOW_API_KEY": "",
        "LANGCHAIN_API_KEY": "",
        "LANGFUSE_SECRET_KEY": "",
        "LANGFUSE_PUBLIC_KEY": "",
        "LANGFUSE_HOST": "https://cloud.langfuse.com",
        "TAVILY_API_KEY": "",
        "LANGCHAIN_TRACING_V2": "true",
        "LANGCHAIN_ENDPOINT": "https://api.smith.langchain.com",
        "LANGCHAIN_PROJECT": "FewShotPromptTemplate",
    }
)

FewShotPromptTemplate

少样本提示是一种强大的技术，它通过提供一小套精心设计示例，引导语言模型生成准确且符合上下文的输出。

LangChain 的 FewShotPromptTemplate 简化了这一过程，使用户能够为问答、摘要、纠错等多种任务构建灵活且可复用的提示。

  1. 设计少样本提示

    • 定义能够展示期望输出结构与风格的示例。
    • 确保示例涵盖边界情况，以提升模型理解与性能。

  2. 动态示例选择

    • 利用语义相似度技术或基于向量的搜索，为查询选取最相关的示例。

  3. 集成少样本提示

    • 将提示模板与语言模型结合，构建用于生成回答的稳健链。

FewShotPromptTemplate 实例

FewShotPromptTemplate 允许你向语言模型提供一组小型示例，这些示例展示了期望的输出结构和格式。借助这些示例，模型能够更好地理解上下文，并为新的查询生成更准确的回答。这种技术尤其适用于问答、摘要或生成结构化输出等任务。

接下来，我们定义一些示例，帮助模型通过将问题拆解为中间步骤来更有效地回答问题。随后，我们使用 FewShotPromptTemplate 根据查询动态地格式化提示。

from langchain_openai import ChatOpenAI

# 初始化语言模型
Qwen2_5_7B_Instruct_llm = ChatOpenAI(
    temperature=0.1,  # 控制输出的随机性和创造性，值越低输出越稳定可预测，值越高输出越有创意但可能偏离预期 (范围: 0.0 ~ 2.0)
    model_name="Qwen/Qwen2.5-7B-Instruct",  # 硅基流动支持的模型名称
    openai_api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
    openai_api_base="https://api.siliconflow.cn/v1"  # 硅基流动API的基础URL
)

# 用户查询
question = "美国的首都是哪里？"

# 查询模型
response = Qwen2_5_7B_Instruct_llm.invoke(question)

# 打印响应
print(response)
print(response.content)

输出结构，以及结果

content='美国的首都是华盛顿特区（Washington, D.C.）。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 14, 'prompt_tokens': 35, 'total_tokens': 49, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_provider': 'openai', 'model_name': 'Qwen/Qwen2.5-7B-Instruct', 'system_fingerprint': '', 'id': '019b06ca3d2d673eb6bc184c53f299c0', 'finish_reason': 'stop', 'logprobs': None} id='lc_run--a4aecdcf-1ca1-459b-a3ac-c9ddd0d344a0-0' usage_metadata={'input_tokens': 35, 'output_tokens': 14, 'total_tokens': 49, 'input_token_details': {}, 'output_token_details': {}}

美国的首都是华盛顿特区（Washington, D.C.）。

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate

# 定义少样本提示的示例
examples = [
    {
        "question": "谁活得更久，史蒂夫·乔布斯还是爱因斯坦？",
        "answer": """这个问题是否需要额外提问：是。
                    额外问题：史蒂夫·乔布斯去世时多少岁？
                    中间答案：史蒂夫·乔布斯去世时56岁。
                    额外问题：爱因斯坦去世时多少岁？
                    中间答案：爱因斯坦去世时76岁。
                    最终答案是：爱因斯坦
""",
    },
    {
        "question": "Naver 的创始人是什么时候出生的？",
        "answer": """这个问题是否需要额外提问：是。
                    额外问题：Naver 的创始人是谁？
                    中间答案：Naver 由李海镇创立。
                    额外问题：李海镇是什么时候出生的？
                    中间答案：李海镇出生于1967年6月22日。
                    最终答案是：1967年6月22日
""",
    },
    {
        "question": "栗谷李珥的母亲出生时，当时在位的国王是谁？",
        "answer": """这个问题是否需要额外提问：是。
                    额外问题：栗谷李珥的母亲是谁？
                    中间答案：栗谷李珥的母亲是申师任堂。
                    额外问题：申师任堂是什么时候出生的？
                    中间答案：申师任堂出生于1504年。
                    额外问题：1504年朝鲜的国王是谁？
                    中间答案：1504年朝鲜的国王是燕山君。
                    最终答案是：燕山君
""",
    },
    {
        "question": "《老男孩》和《寄生虫》的导演来自同一个国家吗？",
        "answer": """这个问题是否需要额外提问：是。
                    额外问题：《老男孩》的导演是谁？
                    中间答案：《老男孩》的导演是朴赞郁。
                    额外问题：朴赞郁来自哪个国家？
                    中间答案：朴赞郁来自韩国。
                    额外问题：《寄生虫》的导演是谁？
                    中间答案：《寄生虫》的导演是奉俊昊。
                    额外问题：奉俊昊来自哪个国家？
                    中间答案：奉俊昊来自韩国。
                    最终答案是：是
""",
    },
]

example_prompt = PromptTemplate.from_template(
    "问题：\n{question}\n答案：\n{answer}"
)

# 打印第一个格式化示例
print(example_prompt.format(**examples[0]))

输出结构，以及结果:

问题： 谁活得更久，史蒂夫·乔布斯还是爱因斯坦？ 答案： 这个问题是否需要额外提问：是。 额外问题：史蒂夫·乔布斯去世时多少岁？ 中间答案：史蒂夫·乔布斯去世时56岁。 额外问题：爱因斯坦去世时多少岁？ 中间答案：爱因斯坦去世时76岁。 最终答案是：爱因斯坦

生成最终提示
# 初始化 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    suffix="问题：\n{question}\n答案：",
    input_variables=["question"],
)

# 示例问题
question = "当谷歌成立时，比尔·盖茨多少岁？"

# 生成最终提示
final_prompt = few_shot_prompt.format(question=question)
print(final_prompt)

输出结构，以及结果:

问题： 谁活得更久，史蒂夫·乔布斯还是爱因斯坦？ 答案： 这个问题是否需要额外提问：是。 额外问题：史蒂夫·乔布斯去世时多少岁？ 中间答案：史蒂夫·乔布斯去世时56岁。 额外问题：爱因斯坦去世时多少岁？ 中间答案：爱因斯坦去世时76岁。 最终答案是：爱因斯坦

问题： Naver 的创始人是什么时候出生的？ 答案： 这个问题是否需要额外提问：是。 额外问题：Naver 的创始人是谁？ 中间答案：Naver 由李海镇创立。 额外问题：李海镇是什么时候出生的？ 中间答案：李海镇出生于1967年6月22日。 最终答案是：1967年6月22日

# 使用最终提示调用模型
response = Qwen2_5_7B_Instruct_llm.invoke(final_prompt)
print(response)

结果：

content='这个问题是否需要额外提问：是。\n 额外问题：谷歌成立时的具体年份是什么？\n 中间答案：谷歌成立于1998年。\n 额外问题：比尔·盖茨在1998年多少岁？\n 中间答案：比尔·盖茨在1998年39岁。\n 最终答案是：39岁' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 86, 'prompt_tokens': 536, 'total_tokens': 622, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_provider': 'openai', 'model_name': 'Qwen/Qwen2.5-7B-Instruct', 'system_fingerprint': '', 'id': '019b06ca3e41b29fafea388a384dd0ee', 'finish_reason': 'stop', 'logprobs': None} id='lc_run--a05aea94-f006-48e7-acab-1b22b5955be8-0' usage_metadata={'input_tokens': 536, 'output_tokens': 86, 'total_tokens': 622, 'input_token_details': {}, 'output_token_details': {}}

使用 Chroma 实现动态示例选择

有时我们需要经过多步思考才能评估一个问题。将问题拆解成若干步骤，并引导模型逐步逼近最终答案，有助于获得更高质量的回答。
Chroma 提供了一种高效的方式，基于语义相似度存储与检索示例，从而在工作流中实现动态示例选择。

  1. 嵌入与向量库初始化

    • 使用 OpenAIEmbeddings 对示例进行嵌入。
    • 将嵌入结果存入 Chroma 向量库，以便高效检索。

  2. 示例存储

    • 示例同时保存内容及其元数据。
    • 元数据可包含问题与答案等信息，供检索后进一步处理。

  3. 相似度搜索

    • 根据输入查询向量库，获取最相似的示例。
    • 实现基于上下文的动态提示生成。

导入必要的包并创建向量存储。

from langchain_openai.embeddings import OpenAIEmbeddings
from langchain_chroma import Chroma
from langchain_core.prompts.few_shot import FewShotPromptTemplate
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_openai import ChatOpenAI

# Initialize embeddings and vector store
embeddings = OpenAIEmbeddings(
    model="BAAI/bge-m3",  # 硅基流动支持的模型名称
    api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
    base_url="https://api.siliconflow.cn/v1",  # 硅基流动API的基础URL
)
chroma_db = Chroma(persist_directory="example_selector", embedding_function=embeddings)

examples = [
    {
        "question": "史蒂夫·乔布斯和爱因斯坦谁活得更久？",
        "answer": """这个问题是否需要额外提问：是。
额外提问：史蒂夫·乔布斯去世时多少岁？
中间答案：史蒂夫·乔布斯去世时56岁。
额外提问：爱因斯坦去世时多少岁？
中间答案：爱因斯坦去世时76岁。
最终答案：爱因斯坦
""",
    },
    {
        "question": "谷歌的创始人是什么时候出生的？",
        "answer": """这个问题是否需要额外提问：是。
额外提问：谷歌的创始人是谁？
中间答案：谷歌由拉里·佩奇和谢尔盖·布林创立。
额外提问：拉里·佩奇是什么时候出生的？
中间答案：拉里·佩奇出生于1973年3月26日。
额外提问：谢尔盖·布林是什么时候出生的？
中间答案：谢尔盖·布林出生于1973年8月21日。
最终答案：拉里·佩奇出生于1973年3月26日，谢尔盖·布林出生于1973年8月21日。
""",
    },
    {
        "question": "唐纳德·特朗普的母亲出生时，谁是总统？",  # 쉼표 추가
        "answer": """这个问题是否需要额外提问：是。
额外提问：唐纳德·特朗普的母亲是谁？
中间答案：唐纳德·特朗普的母亲是玛丽·安妮·麦克劳德·特朗普。
额外提问：玛丽·安妮·麦克劳德·特朗普是什么时候出生的？
中间答案：玛丽·安妮·麦克劳德·特朗普出生于1912年5月10日。
额外提问：1912年时的美国总统是谁？
中间答案：1912年时的美国总统是威廉·霍华德·塔夫脱。
最终答案：威廉·霍华德·塔夫脱
""",
    },
    {
        "question": "《老男孩》和《寄生虫》的导演是否来自同一个国家？",
        "answer": """这个问题是否需要额外提问：是。
额外提问：《老男孩》的导演是谁？
中间答案：《老男孩》的导演是朴赞郁。
额外提问：朴赞郁来自哪个国家？
中间答案：朴赞郁来自韩国。
额外提问：《寄生虫》的导演是谁？
中间答案：《寄生虫》的导演是奉俊昊。
额外提问：奉俊昊来自哪个国家？
中间答案：奉俊昊来自韩国。
最终答案：是
""",
    },
]

创建一个向量存储并定义 DynamicFewShotLearning 模板

# 将示例添加到向量存储
texts = [example["question"] for example in examples]
print(len(texts))
metadatas = [example for example in examples]
print(len(metadatas))
ids = [f"id_{i}" for i in range(len(texts))]
chroma_db.add_texts(texts=texts, metadatas=metadatas, ids=ids)

# 设置示例选择器
example_selector = SemanticSimilarityExampleSelector(
    vectorstore=chroma_db,  # 只需要向量存储
    k=1  # 选择的示例数量
)

# 定义少样本提示模板
example_prompt_template = PromptTemplate.from_template(
    "问题：\n{question}\n答案：\n{answer}\n"
)
prompt = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt_template,
    suffix="问题：\n{question}\n答案：",
    input_variables=["question"],
)

验证它是否按照我们期望的流程生成答案

# 查询输入并处理
query = {"question": "埃隆·马斯克创立 PayPal 时多大？"}
formatted_prompt = prompt.format(**query)

# 打印构建好的提示
print("构建的提示：\n")
print(formatted_prompt)

# 初始化语言模型
Qwen2_5_7B_Instruct_llm = ChatOpenAI(
    temperature=0.1,  # 控制输出的随机性和创造性，值越低输出越稳定可预测，值越高输出越有创意但可能偏离预期 (范围: 0.0 ~ 2.0)
    model_name="Qwen/Qwen2.5-7B-Instruct",  # 硅基流动支持的模型名称
    openai_api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
    openai_api_base="https://api.siliconflow.cn/v1"  # 硅基流动API的基础URL
)

# 使用构建好的提示查询语言模型
response = Qwen2_5_7B_Instruct_llm.invoke(formatted_prompt)
print("\n回答：\n")
print(response)

构建的提示：

问题： 唐纳德·特朗普的母亲出生时，谁是总统？ 答案： 这个问题是否需要额外提问：是。 额外提问：唐纳德·特朗普的母亲是谁？ 中间答案：唐纳德·特朗普的母亲是玛丽·安妮·麦克劳德·特朗普。 额外提问：玛丽·安妮·麦克劳德·特朗普是什么时候出生的？ 中间答案：玛丽·安妮·麦克劳德·特朗普出生于1912年5月10日。 额外提问：1912年时的美国总统是谁？ 中间答案：1912年时的美国总统是威廉·霍华德·塔夫脱。 最终答案：威廉·霍华德·塔夫脱 问题： 埃隆·马斯克创立 PayPal 时多大？ 答案： 回答： content='这个问题是否需要额外提问：是。\n额外提问：埃隆·马斯克创立 PayPal 的具体年份是什么时候？\n中间答案：埃隆·马斯克创立 PayPal 的时间是1999年。\n额外提问：1999年时埃隆·马斯克多大？\n中间答案：埃隆·马斯克在1999年创立 PayPal 时大约28岁。\n最终答案：埃隆·马斯克在创立 PayPal 时大约28岁。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 107, 'prompt_tokens': 194, 'total_tokens': 301, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_provider': 'openai', 'model_name': 'Qwen/Qwen2.5-7B-Instruct', 'system_fingerprint': '', 'id': '019b06cfbc498dffd64450adea2e8387', 'finish_reason': 'stop', 'logprobs': None} id='lc_run--a3b461d2-96b3-4540-81a1-0a64548ba3c9-0' usage_metadata={'input_tokens': 194, 'output_tokens': 107, 'total_tokens': 301, 'input_token_details': {}, 'output_token_details': {}}

FewShotChatMessagePromptTemplate

为每种场景单独编写提示词既复杂又繁琐。

FewShotChatMessagePromptTemplate 利用少样本学习（few-shot learning）方法，通过将相关示例与结构化模板相结合，动态生成聊天式提示词。

这种方式在摘要、会议纪要撰写或文档处理等任务中尤为高效。

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai.embeddings import OpenAIEmbeddings
from langchain_chroma import Chroma
embeddings = OpenAIEmbeddings(
    model="BAAI/bge-m3",  # 硅基流动支持的模型名称
    api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
    base_url="https://api.siliconflow.cn/v1",  # 硅基流动API的基础URL
)
# Initialize the Vector DB
chroma = Chroma(persist_directory="fewshot_chat", embedding_function=embeddings)

# 定义少样本提示的示例
examples = [
    {
        "instruction": "你是一位撰写会议纪要的专家，请根据给定信息撰写会议纪要",
        "input": "2023年12月25日，XYZ公司营销策略会议于下午3点开始。参会人员包括营销团队负责人约翰·史密斯、数字营销经理莎拉·约翰逊和社交媒体经理迈克·威尔逊。会议的主要目的是制定2024年上半年的营销策略并讨论新的社交媒体活动创意。团队负责人约翰·史密斯简要介绍了近期市场趋势，随后每位团队成员就各自领域的战略创意进行了汇报。",
        "answer": """
        会议纪要：XYZ公司营销策略会议
        日期：2023年12月25日
        地点：XYZ公司会议室
        参会人员：约翰·史密斯（营销团队负责人）、莎拉·约翰逊（数字营销经理）、迈克·威尔逊（社交媒体经理）

1. 开场
   - 团队负责人约翰·史密斯致开场词。
   - 会议目的：制定2024年上半年营销策略并讨论新的社交媒体活动创意。

2. 市场趋势概述（约翰·史密斯）
   - 团队负责人约翰·史密斯介绍了近期市场趋势分析。
   - 分享了消费者行为变化和竞争对手策略的见解。

3. 数字营销策略（莎拉·约翰逊）
   - 莎拉·约翰逊展示了数字营销策略。
   - 重点介绍了在线广告和SEO优化方法。

4. 社交媒体活动（迈克·威尔逊）
   - 迈克·威尔逊提出了新的社交媒体活动创意。
   - 说明了网红营销和内容策略的计划。

5. 综合讨论
   - 团队成员分享并讨论了各自的创意。
   - 讨论了各策略的预算和资源分配。

6. 结束
   - 确认了下次会议的日期和时间。
   - 莎拉·约翰逊负责整理并分发会议纪要。
""",
    },
    {
        "instruction": "你是一位摘要专家，请根据给定信息撰写摘要",
        "input": "本文件是一份20页的《可持续城市发展策略》报告。报告全面涵盖了可持续城市发展的重要性、当前城市化面临的问题以及实现可持续城市发展的各种策略。报告还介绍了多个国家在可持续城市发展方面的成功案例，并总结了这些案例的经验教训。",
        "answer": """
            文档摘要：可持续城市发展策略报告

            - 重要性：强调可持续城市发展的必要性及其带来的社会、经济和环境效益。
            - 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。
            - 策略：提出实现可持续城市发展的多种策略，包括生态友好型建筑、公共交通改善、能源效率提升以及加强社区参与。
            - 案例研究：介绍全球城市在可持续发展方面的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。
            - 经验教训：总结这些案例的关键经验教训，强调多维度方法、与本地社区合作以及长期规划的重要性。

            本报告深入分析了如何以切实有效的方式实现可持续城市发展。
""",
    },
    {
        "instruction": "你是一位句子润色专家，请修改以下句子",
        "input": "我们公司正计划推出一项新的营销策略。通过这一策略，与客户的沟通将变得更加高效。",
        "answer": "本公司希望通过推出新的营销策略，更有效地改善与客户的沟通。",
    },
]

# 将示例添加到向量库
texts = [example["instruction"] + " " + example["input"] for example in examples]
metadatas = examples
chroma.add_texts(texts=texts, metadatas=metadatas)

# 示例查询
query = {
    "instruction": "请撰写会议纪要",
    "input": "2023年12月26日，ABC科技公司产品开发团队举行了新移动应用项目的每周进度会议。参会人员包括项目经理崔贤秀、首席开发黄智妍以及UI/UX设计师金泰英。会议主要目的是回顾项目当前进展并制定即将到来的里程碑计划。每位团队成员汇报了自己负责领域的最新情况，并为下周设定了目标。",
}

# 执行相似度搜索
query_text = query["instruction"] + " " + query["input"]
results = chroma.similarity_search(query_text, k=1)
print(results)

# 打印与输入最相似的示例
print(f"与输入最相似的示例：\n{query_text}\n")
for result in results:
    print(f'指令：\n{result.metadata["instruction"]}')
    print(f'输入：\n{result.metadata["input"]}')
    print(f'答案：\n{result.metadata["answer"]}')

输出结果：

与输入最相似的示例： 请撰写会议纪要 2023年12月26日，ABC科技公司产品开发团队举行了新移动应用项目的每周进度会议。参会人员包括> 项目经理崔贤秀、首席开发黄智妍以及UI/UX设计师金泰英。会议主要目的是回顾项目当前进展并制定即将到来的里程> 碑计划。每位团队成员汇报了自己负责领域的最新情况，并为下周设定了目标。 指令： 你是一位撰写会议纪要的专家，请根据给定信息撰写会议纪要 输入： 2023年12月25日，XYZ公司营销策略会议于下午3点开始。参会人员包括营销团队负责人约翰·史密斯、数字营销经理莎拉·约翰逊和社交媒体经理迈克·威尔逊。会议的主要目的是制定2024年上半年的营销策略并讨论新的社交媒体活动创意。团队负责人约翰·史密斯简要介绍了近期市场趋势，随后每位团队成员就各自领域的战略创意进行了汇报。 答案：

    会议纪要：XYZ公司营销策略会议
    日期：2023年12月25日
    地点：XYZ公司会议室
    参会人员：约翰·史密斯（营销团队负责人）、莎拉·约翰逊（数字营销经理）、迈克·威尔逊（社交媒体经理）
  1. 开场
    • 团队负责人约翰·史密斯致开场词。
    • 会议目的：制定2024年上半年营销策略并讨论新的社交媒体活动创意。
  2. 市场趋势概述（约翰·史密斯）
    • 团队负责人约翰·史密斯介绍了近期市场趋势分析。
    • 分享了消费者行为变化和竞争对手策略的见解。
  3. 数字营销策略（莎拉·约翰逊）
    • 莎拉·约翰逊展示了数字营销策略。
    • 重点介绍了在线广告和SEO优化方法。
  4. 社交媒体活动（迈克·威尔逊）
    • 迈克·威尔逊提出了新的社交媒体活动创意。
    • 说明了网红营销和内容策略的计划。
  5. 综合讨论
    • 团队成员分享并讨论了各自的创意。
    • 讨论了各策略的预算和资源分配。
  6. 结束
    • 确认了下次会议的日期和时间。
    • 莎拉·约翰逊负责整理并分发会议纪要。

结合静态提示词和动态提示词：

# 创建最终提示模板
final_prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "你是一个乐于助人的助手。",
        ),
        (
            "human",
            "{instruction}:\n{input}",
        ),
    ]
)

# 将提示与最佳示例结合
best_example = results[0].metadata
filled_prompt = final_prompt.format_messages(**best_example)

# 打印填充后的提示
print("\n填充后的提示:\n")
for message in filled_prompt:
    # 确定消息类型并提取内容
    message_type = type(message).__name__  
    # 例如：SystemMessage、HumanMessage、AIMessage
    content = message.content
    print(f"{message_type}:\n{content}\n")

填充后的结果：

填充后的提示: SystemMessage: 你是一个乐于助人的助手。

HumanMessage: 你是一位撰写会议纪要的专家，请根据给定信息撰写会议纪要: 2023年12月25日，XYZ公司营销策略会议于下午3点开始。参会人员包括营销团队负责人约翰·史密斯、数字营销经理莎拉·约翰逊和社交媒体经理迈克·威尔逊。会议的主要目的是制定2024年上半年的营销策略并讨论新的社交媒体活动创意。团队负责人约翰·史密斯简要介绍了近期市场趋势，随后每位团队成员就各自领域的战略创意进行了汇报。

结合llm使用模板

# 使用已填充的提示词调用模型
Qwen2_5_7B_Instruct_llm = ChatOpenAI(
    temperature=0.1,  # 控制输出的随机性和创造性，值越低输出越稳定可预测，值越高输出越有创意但可能偏离预期 (范围: 0.0 ~ 2.0)
    model_name="Qwen/Qwen2.5-7B-Instruct",  # 硅基流动支持的模型名称
    openai_api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
    openai_api_base="https://api.siliconflow.cn/v1"  # 硅基流动API的基础URL
)
formatted_prompt = "\n".join([f"{type(message).__name__}:\n{message.content}" for message in filled_prompt])
response = Qwen2_5_7B_Instruct_llm.invoke(formatted_prompt)

# 打印模型的回复
print("\n回复:\n")
print(response.content)

'回复:

**XYZ公司营销策略会议纪要**

**会议时间**：2023年12月25日下午3点  
**会议地点**：XYZ公司会议室  
**参会人员**：  
- 营销团队负责人：约翰·史密斯  
- 数字营销经理：莎拉·约翰逊  
- 社交媒体经理：迈克·威尔逊  

**会议目的**：  
- 制定2024年上半年的营销策略  
- 讨论新的社交媒体活动创意  

**会议内容**：

1. **市场趋势介绍**：  
   - 会议伊始，营销团队负责人约翰·史密斯简要介绍了近期市场趋势，包括消费者行为的变化、竞争对手的动态以及新兴技术的应用等。他强调了个性化营销和内容营销的重要性，并指出在数字化转型的大背景下，企业需要更加注重用户体验和互动性。

2. **战略创意汇报**：  
   - **数字营销经理莎拉·约翰逊**：莎拉分享了关于利用数据分析优化广告投放策略的想法，提出通过A/B测试来提高广告点击率，并探讨了如何利用AI技术进行精准营销。她还建议增加对社交媒体平台的投入，特别是短视频和直播内容的制作，以吸引年轻用户群体。
   - **社交媒体经理迈克·威尔逊**：迈克则重点讨论了社交媒体活动的创意，包括与知名博主合作进行产品推广、举办线上挑战赛以增加用户参与度等。他还提出可以利用虚拟现实技术创造沉浸式体验，提升品牌影响力。

**会议总结**：  
- 团队一致认为，2024年上半年的营销策略应围绕个性化和互动性展开，同时充分利用数字技术和社交媒体平台的优势。
- 下一步计划是整合上述建议，制定详细的执行方案，并在接下来的几周内进行进一步讨论和细化。

**后续行动**：  
- 各团队成员需在一周内提交具体实施方案，包括预算、时间表和预期效果。
- 安排下一次会议，讨论实施方案的细节并确定最终策略。

**会议结束时间**：下午5点

**记录人**：[您的名字]'

解决示例选择器中的相似度搜索问题

在计算相似度时，会同时使用 instruction 和 input。然而，仅基于 instruction 进行搜索无法获得准确的相似度结果。

为了解决这一问题，定义了一个用于相似度计算的自定义类。

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai.embeddings import OpenAIEmbeddings
from langchain_chroma import Chroma
embeddings = OpenAIEmbeddings(
    model="BAAI/bge-m3",  # 硅基流动支持的模型名称
    api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
    base_url="https://api.siliconflow.cn/v1",  # 硅基流动API的基础URL
)
# Initialize the Vector DB
chroma = Chroma(persist_directory="fewshot_chat", embedding_function=embeddings)
# 定义少样本提示的示例
examples = [
    {
        "instruction": "你是一位撰写会议纪要的专家，请根据所给信息撰写会议纪要",
        "input": "2023年12月25日，XYZ公司营销策略会议于下午3点开始。参会人员包括营销团队负责人Kim Su-jin、数字营销经理Park Ji-min和社交媒体经理Lee Jun-ho。会议主要目的是制定2024年上半年营销策略并讨论新的社交媒体活动创意。团队负责人Kim Su-jin简要介绍了近期市场趋势，随后各成员就各自领域的战略想法进行了汇报。",
        "answer": """
会议纪要：XYZ公司营销策略会议
日期：2023年12月25日
地点：XYZ公司会议室
参会人员：Kim Su-jin（营销团队负责人）、Park Ji-min（数字营销经理）、Lee Jun-ho（社交媒体经理）

1. 开场
   - 团队负责人Kim Su-jin致开场白。
   - 会议目的：制定2024年上半年营销策略并讨论新的社交媒体活动创意。

2. 市场趋势概述（Kim Su-jin）
   - 团队负责人Kim Su-jin汇报近期市场趋势分析。
   - 分享消费者行为变化及竞争对手策略洞察。

3. 数字营销策略（Park Ji-min）
   - Park Ji-min汇报数字营销策略。
   - 聚焦在线广告与SEO优化方法。

4. 社交媒体活动（Lee Jun-ho）
   - Lee Jun-ho提出新的社交媒体活动创意。
   - 阐述网红营销与内容策略计划。

5. 综合讨论
   - 团队成员分享并讨论各自想法。
   - 讨论各策略的预算与资源分配。

6. 结束
   - 确认下次会议日期与时间。
   - 指定Park Ji-min整理并分发会议纪要。
""",
    },
    {
        "instruction": "你是一位总结专家，请根据所给信息进行总结",
        "input": "本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。",
        "answer": """
文档摘要：可持续城市发展策略报告

- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。
- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。
- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。
- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。
- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。

本报告深入分析了如何以切实有效的方式实现可持续城市发展。
""",
    },
    {
        "instruction": "你是一位句子润色专家，请对以下句子进行润色",
        "input": "我们公司计划推出新的营销策略。通过这一策略，与客户的沟通将变得更加高效。",
        "answer": "本公司期望通过推出新的营销策略，更有效地改善与客户的沟通。",
    },
]
texts = [example["instruction"] + " " + example["input"] for example in examples]
metadatas = examples
chroma.add_texts(texts=texts, metadatas=metadatas)

# 使用 Chroma 进行示例选择
def select_examples(query):
    query_text = query["instruction"] + " " + query.get("input", "")
    results = chroma.similarity_search(query_text, k=1)
    print("\n[select_examples 输出]")
    print(f"查询文本: {query_text}")
    for i, result in enumerate(results, start=1):
        print(f"结果 {i}:")
        print(f"页面内容: {result.page_content}")
        print(f"元数据: {result.metadata}")
    return results

# 使用 Chroma 的示例选择器
def custom_selector(query):
    results = select_examples(query)
    selected_examples = [
        {
            "instruction": result.metadata["instruction"],
            "input": result.metadata["input"],
            "answer": result.metadata["answer"],
        }
        for result in results
    ]
    print("\n[custom_selector 输出]")
    for i, example in enumerate(selected_examples, start=1):
        print(f"选中示例 {i}:")
        print(f"指令: {example['instruction']}")
        print(f"输入: {example['input']}")
        print(f"答案: {example['answer']}")
    return selected_examples

以下是一个示例是一个错误的实例：

# 测试用的示例查询
query = {
    "instruction": "请撰写会议纪要",
    "input": "2023年12月26日，ABC科技公司产品开发团队举行了新移动应用项目的每周进展会议。会议由项目经理崔贤洙、主开发黄智妍和UI/UX设计师金泰英参加。会议主要目的是回顾项目当前进展并制定即将到来的里程碑计划。每位团队成员汇报了各自工作领域的更新，并为下周设定了目标。",
}

# 测试函数
custom_selector(query)

[select_examples 输出]
查询文本: 请撰写会议纪要 2023年12月26日，ABC科技公司产品开发团队举行了新移动应用项目的每周进展会议。会议由项目经理崔贤洙、主开发黄智妍和UI/UX设计师金泰英参加。会议主要目的是回顾项目当前进展并制定即将到来的里程碑计划。每位团队成员汇报了各自工作领域的更新，并为下周设定了目标。
结果 1:
页面内容: 你是一位总结专家，请根据所给信息进行总结 本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。
元数据: {'instruction': '你是一位总结专家，请根据所给信息进行总结', 'input': '本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。', 'answer': '\n文档摘要：可持续城市发展策略报告\n\n- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。\n- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。\n- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。\n- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。\n- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。\n\n本报告深入分析了如何以切实有效的方式实现可持续城市发展。\n'}

[custom_selector 输出]
选中示例 1:
指令: 你是一位总结专家，请根据所给信息进行总结
输入: 本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。
答案: 
文档摘要：可持续城市发展策略报告

- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。
- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。
- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。
- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。
- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。

本报告深入分析了如何以切实有效的方式实现可持续城市发展。
[{'instruction': '你是一位总结专家，请根据所给信息进行总结',
  'input': '本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。',
  'answer': '\n文档摘要：可持续城市发展策略报告\n\n- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。\n- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。\n- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。\n- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。\n- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。\n\n本报告深入分析了如何以切实有效的方式实现可持续城市发展。\n'}]

使用正确实例：

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 定义一个使用自定义选择器的新示例提示模板
example_prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "{instruction}:\n{input}"),
        ("ai", "{answer}"),
    ]
)

# 使用选中的示例创建提示模板
def create_fewshot_prompt(query):
    selected_examples = custom_selector(query)
    fewshot_prompt = ""
    for example in selected_examples:
        fewshot_prompt += example_prompt.format(
            instruction=example["instruction"],
            input=example["input"],
            answer=example["answer"],
        )
    return fewshot_prompt

# 为链创建最终提示
def create_final_prompt(query):
    fewshot_prompt = create_fewshot_prompt(query)
    final_prompt = (
        "你是一个乐于助人的专业助手。\n\n" + fewshot_prompt + "\n\n"
        f"人类:\n{query['instruction']}:\n{query['input']}\n助手:"
    )
    return final_prompt

# 示例查询
queries = [
    {
        "instruction": "为以下讨论起草会议纪要",
        "input": "2023年12月26日，ABC科技的产品开发团队就新的移动应用项目召开了每周进度会议。出席会议的有项目经理约翰·戴维斯、首席开发者艾米丽·陈和UI/UX设计师迈克尔·布朗。团队回顾了当前的项目里程碑并确定了下一步行动。每位团队成员汇报了他们各自的工作进展，并为下周设定了交付成果。",
    },
    {
        "instruction": "请对以下文档进行总结",
        "input": "这份题为《2023年全球经济展望》的30页综合报告涵盖了可持续城市发展趋势、当前城市化挑战以及可持续城市规划的战略方法。该文件包括了来自不同国家的成功城市发展倡议的案例研究以及这些实施的关键要点。",
    },
    {
        "instruction": "请审阅并纠正这些句子",
        "input": "公司预计本财年收入将增长。新的战略举措正在显示出积极成果。",
    },
]

# 处理每个查询并打印响应
for query in queries:
    final_prompt = create_final_prompt(query)
    print("\n最终提示:\n")
    print(final_prompt)
    response = Qwen2_5_7B_Instruct_llm.invoke(final_prompt)
    print("\n模型响应:\n", response.content)
    print("\n---\n")

结果输出：

[select_examples 输出]
查询文本: 为以下讨论起草会议纪要 2023年12月26日，ABC科技的产品开发团队就新的移动应用项目召开了每周进度会议。出席会议的有项目经理约翰·戴维斯、首席开发者艾米丽·陈和UI/UX设计师迈克尔·布朗。团队回顾了当前的项目里程碑并确定了下一步行动。每位团队成员汇报了他们各自的工作进展，并为下周设定了交付成果。
结果 1:
页面内容: 你是一位总结专家，请根据所给信息进行总结 本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。
元数据: {'instruction': '你是一位总结专家，请根据所给信息进行总结', 'answer': '\n文档摘要：可持续城市发展策略报告\n\n- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。\n- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。\n- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。\n- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。\n- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。\n\n本报告深入分析了如何以切实有效的方式实现可持续城市发展。\n', 'input': '本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。'}

[custom_selector 输出]
选中示例 1:
指令: 你是一位总结专家，请根据所给信息进行总结
输入: 本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。
答案: 
文档摘要：可持续城市发展策略报告

- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。
- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。
- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。
- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。
- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。

本报告深入分析了如何以切实有效的方式实现可持续城市发展。


最终提示:

你是一个乐于助人的专业助手。

Human: 你是一位总结专家，请根据所给信息进行总结:
本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。
AI: 
文档摘要：可持续城市发展策略报告

- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。
- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。
- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。
- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。
- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。

本报告深入分析了如何以切实有效的方式实现可持续城市发展。


人类:
为以下讨论起草会议纪要:
2023年12月26日，ABC科技的产品开发团队就新的移动应用项目召开了每周进度会议。出席会议的有项目经理约翰·戴维斯、首席开发者艾米丽·陈和UI/UX设计师迈克尔·布朗。团队回顾了当前的项目里程碑并确定了下一步行动。每位团队成员汇报了他们各自的工作进展，并为下周设定了交付成果。
助手:

模型响应:
 **会议纪要**

**会议时间**：2023年12月26日  
**会议主题**：ABC科技新产品移动应用项目进度会议  
**参会人员**：项目经理约翰·戴维斯、首席开发者艾米丽·陈、UI/UX设计师迈克尔·布朗

**会议内容**：

1. **项目回顾**：
   - 项目经理约翰·戴维斯回顾了当前项目的里程碑，包括已完成的任务和正在进行的工作。
   - 团队确认了项目的关键阶段和时间表，确保所有成员对项目进度有清晰的认识。

2. **工作进展汇报**：
   - **首席开发者艾米丽·陈**汇报了技术开发的最新进展，包括已完成的功能模块和遇到的技术挑战。
   - **UI/UX设计师迈克尔·布朗**分享了设计阶段的最新成果，包括用户界面和用户体验设计的改进点和待解决的问题。

3. **下一步行动**：
   - 团队讨论并确定了下周的具体交付成果，包括功能模块的开发、设计优化以及测试计划。
   - 讨论了可能遇到的挑战和解决方案，确保团队能够顺利推进项目。

4. **总结与展望**：
   - 会议总结了当前项目的进展和存在的问题，并强调了团队协作的重要性。
   - 项目经理约翰·戴维斯鼓励团队保持沟通畅通，确保项目按计划顺利进行。

**会议决议**：
- 确定下周的具体交付成果。
- 强调团队协作和沟通的重要性。
- 讨论并记录了当前项目中遇到的技术和设计问题，计划在下一次会议中进一步讨论解决方案。

**后续行动**：
- 各团队成员需在下周前完成各自的交付成果。
- 定于下周一再次召开进度会议，检查项目进展并调整计划。

**会议结束时间**：2023年12月26日

**记录人**：[您的名字]

---


[select_examples 输出]
查询文本: 请对以下文档进行总结 这份题为《2023年全球经济展望》的30页综合报告涵盖了可持续城市发展趋势、当前城市化挑战以及可持续城市规划的战略方法。该文件包括了来自不同国家的成功城市发展倡议的案例研究以及这些实施的关键要点。
结果 1:
页面内容: 你是一位总结专家，请根据所给信息进行总结 本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。
元数据: {'input': '本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。', 'answer': '\n文档摘要：可持续城市发展策略报告\n\n- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。\n- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。\n- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。\n- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。\n- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。\n\n本报告深入分析了如何以切实有效的方式实现可持续城市发展。\n', 'instruction': '你是一位总结专家，请根据所给信息进行总结'}

[custom_selector 输出]
选中示例 1:
指令: 你是一位总结专家，请根据所给信息进行总结
输入: 本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。
答案: 
文档摘要：可持续城市发展策略报告

- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。
- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。
- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。
- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。
- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。

本报告深入分析了如何以切实有效的方式实现可持续城市发展。


最终提示:

你是一个乐于助人的专业助手。

Human: 你是一位总结专家，请根据所给信息进行总结:
本文档是一份20页的《可持续城市发展策略》报告。报告全面涵盖可持续城市发展的重要性、当前城市化问题以及使城市发展可持续的多种策略。报告还介绍了多国可持续城市发展的成功案例，并总结了这些案例的经验教训。
AI: 
文档摘要：可持续城市发展策略报告

- 重要性：强调可持续城市发展的必要性及其社会、经济和环境效益。
- 当前问题：分析当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。
- 策略：提出实现可持续城市发展的多种策略，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。
- 案例研究：介绍全球城市可持续发展的成功案例，例如通过丹麦哥本哈根和日本横滨的案例说明可实现的策略。
- 经验教训：总结这些案例的关键经验教训，强调多维度方法、与当地社区合作及长期规划的重要性。

本报告深入分析了如何以切实有效的方式实现可持续城市发展。


人类:
请对以下文档进行总结:
这份题为《2023年全球经济展望》的30页综合报告涵盖了可持续城市发展趋势、当前城市化挑战以及可持续城市规划的战略方法。该文件包括了来自不同国家的成功城市发展倡议的案例研究以及这些实施的关键要点。
助手:

模型响应:
 文档摘要：2023年全球经济展望报告

- 概述：本报告为30页，全面探讨了可持续城市发展趋势、当前城市化挑战及可持续城市规划的战略方法。
- 可持续城市发展趋势：分析了全球范围内可持续城市发展的最新趋势。
- 当前城市化挑战：详细讨论了当前城市化进程中的主要问题，如环境污染、资源枯竭和不平等加剧。
- 战略方法：提出了实现可持续城市发展的多种战略方法，包括生态友好型建设、公共交通改善、能源效率提升及社区参与加强。
- 案例研究：介绍了来自不同国家的成功城市发展倡议案例，如丹麦哥本哈根和日本横滨，展示了可行的策略实施。
- 关键要点：总结了这些案例的关键实施要点，强调了多维度方法、与当地社区合作及长期规划的重要性。

本报告深入分析了如何通过有效策略实现可持续城市发展。

---


[select_examples 输出]
查询文本: 请审阅并纠正这些句子 公司预计本财年收入将增长。新的战略举措正在显示出积极成果。
结果 1:
页面内容: 你是一位句子润色专家，请对以下句子进行润色 我们公司计划推出新的营销策略。通过这一策略，与客户的沟通将变得更加高效。
元数据: {'answer': '本公司期望通过推出新的营销策略，更有效地改善与客户的沟通。', 'input': '我们公司计划推出新的营销策略。通过这一策略，与客户的沟通将变得更加高效。', 'instruction': '你是一位句子润色专家，请对以下句子进行润色'}

[custom_selector 输出]
选中示例 1:
指令: 你是一位句子润色专家，请对以下句子进行润色
输入: 我们公司计划推出新的营销策略。通过这一策略，与客户的沟通将变得更加高效。
答案: 本公司期望通过推出新的营销策略，更有效地改善与客户的沟通。

最终提示:

你是一个乐于助人的专业助手。

Human: 你是一位句子润色专家，请对以下句子进行润色:
我们公司计划推出新的营销策略。通过这一策略，与客户的沟通将变得更加高效。
AI: 本公司期望通过推出新的营销策略，更有效地改善与客户的沟通。

人类:
请审阅并纠正这些句子:
公司预计本财年收入将增长。新的战略举措正在显示出积极成果。
助手:

模型响应:
 公司预计本财年的收入将实现增长，而新的战略举措已开始显现积极成果。

---
avatar
文章
阅读
粉丝