文章目录

前言一、Langchain 概述1. 概述2. 应用场景3. 案例

二、Prompt1.Prompt 介绍2.PromptTemplatea.PromptTemplate 案例单个参数多个参数多个参数-结合字典解包

b.使用jinja2与f-string来实现提示词模板格式化

3.ChatPromptTemplatea.ChatPromptTemplate 介绍b.ChatPromptTemplate 案例

4.ChatMessagePromptTemplatea.ChatMessagePromptTemplate 介绍b.ChatMessagePromptTemplate 案例

5.FewShotPromptTemplate6.StringPromptTemplatea.StringPromptTemplate 介绍b.StringPromptTemplate 案例

7.PipelinePromptTemplate多步提示词

8. 总结

前言

在探索人工智能与自然语言处理领域时，“<code>Prompt”是一个核心概念，尤其在 Langchain 中，它是连接人类与机器思维的桥梁，能解锁模型潜能。本篇博客将深入这一领域，首先揭开 Prompt 的神秘面纱，随后剖析Langchain中的几种重要PromptTemplate，包括基础而灵活的PromptTemplate、专为聊天设计的ChatPromptTemplate及其案例、能快速学习的FewShotPromptTemplate、简洁的String PromptTemplate及其示例，以及复杂任务中的组织协调者PipelinePromptTemplate。

一、Langchain 概述

1. 概述

<code>LangChain 是一个综合性的开发框架，专为利用语言模型（LLM）构建应用程序而设计。它通过提供一套丰富的工具、组件和接口，极大地简化了开发流程。

LangChain框架核心特性：

数据集成：LangChain能够将语言模型与外部数据源无缝连接。自主交互：赋予语言模型与环境互动的能力，提升应用的自主性。

主要价值点：

组件化架构：提供语言模型使用的抽象层，以及各层的多样化实现，组件设计为模块化且用户友好。即用型链结构：提供完成特定高级任务的结构化组件集合。

应用场景示例：

个人助理文档问答系统聊天机器人数据表查询API交互数据提取、评估与汇总

LangChain模型分类：

大型语言模型 (LLM)：作为应用的核心，接收并输出文本字符串。聊天模型 (Chat Model)：结构化API支持，优化对话管理和上下文维护。文本嵌入模型 (Text Embedding Models)：将文本转换为嵌入向量，适用于文档检索和相似性分析。

LangChain功能特点：

模型与提示管理：简化提示管理、优化，并为LLM提供统一接口。链调用序列：提供链的标准接口，支持与多种工具集成，实现端到端的解决方案。数据增强：支持链与外部数据源交互，增强生成步骤的数据收集。智能代理 (Agents)：提供代理的标准接口和多样化实现，以及完整的代理示例。内存管理：标准化内存接口，维护状态连续性，并提供内存使用示例。评估工具：提供评估生成模型的提示和链，帮助开发者有效评估模型性能。

LangChain主要组件：

模型 (Models)：集成并管理语言模型。提示词 (Prompts)：设计和优化与模型交互的提示。代理 (Agents)：实现LLM的决策和行动逻辑。链 (Chains)：序列化LLM调用，构建复杂流程。索引 (Indexes)：支持数据检索和访问。内存 (Memory)：管理应用状态和历史信息。模式 (Schema)：定义数据结构和交互模式。

2. 应用场景

信息检索

LangChain可以根据用户的查询意图，通过记忆链中的语义信息，提供准确、全面的搜索结果。无论是文本、图片还是视频等多媒体数据，LangChain都能进行深度理解和检索。 问答系统

LangChain可以根据用户的问题，从记忆链中抽取相关信息，并给出准确的答案。无论是常见问题还是专业领域的知识，LangChain都能提供高质量的回答。 个性化推荐

LangChain可以根据用户的兴趣和偏好，从记忆链中推荐相关的内容。无论是新闻、音乐还是电影等，LangChain都能根据用户的历史行为和喜好进行精准推荐。 机器翻译

LangChain可以利用记忆链中的语义信息，进行更加准确、自然的机器翻译。通过对源语言和目标语言的语义关联进行建模，LangChain可以提供更加流畅、准确的翻译结果。 聊天机器人

LangChain可以用于构建聊天机器人，使其具备更丰富的交互能力和更准确的回答能力。通过与大型语言模型的结合，聊天机器人可以更加智能地理解用户意图，并提供相应的回复。 生成式问答（GQA）和摘要

LangChain允许将语言模型与其他数据源连接在一起，实现数据感知，从而支持生成式问答和摘要等任务。这些任务通常需要处理大量的文本数据，LangChain的模块化设计和对LLM的通用接口实现可以极大地简化开发过程。 结合大型语言模型、知识库和计算逻辑快速开发AI应用

LangChain通过其强大的框架和灵活的表达语言（LCEL），支持并行化、回退、批处理、流式传输和异步操作等功能。这使得开发人员能够结合大型语言模型、知识库和计算逻辑快速开发强大的AI应用。

3. 案例

安装：

<code>pip install langchain

pip install langchain-community

示例代码：

# 1、导入大模型的类

from langchain_community.llms import Tongyi

# 实例化

llm = Tongyi()

# 调用通义千问

ret = llm.invoke("你是谁？")

print(ret)

输出

二、Prompt

1.Prompt 介绍

<code>LangChain 中的 prompt 是一个关键概念，它指的是输入给大型语言模型（LLM）的文本指令或提示，用于引导模型生成特定的输出或执行特定的任务。在 LangChain 的框架中，prompt 的设计和使用对于构建高效、准确的链式应用至关重要。

LangChain 中 prompt 的应用场景和重要性：

任务定义：通过精心设计的 prompt，可以明确告诉 LLM 要执行什么任务。例如，对于问答系统，prompt 可能包含问题文本和指示模型生成答案的指令。上下文提供：Prompt 可以包含必要的上下文信息，以帮助 LLM 理解当前任务的背景和上下文。这对于处理具有复杂依赖关系或需要跨多个步骤推理的任务尤为重要。示例引导：通过提供示例 prompt（即少样本学习或零次学习中的例子），可以指导 LLM 如何生成符合要求的输出。这种方法特别适用于那些难以用明确规则定义的任务。链式推理：在 LangChain 中，prompt 可以用于构建链式推理流程。通过设计一系列相互关联的 prompt，可以引导 LLM 逐步完成复杂的推理任务，如多步骤问题解答或对话生成。安全和合规性：通过适当的 prompt 设计，可以确保 LLM 的输出符合特定的安全和合规性要求。例如，可以通过在 prompt 中包含适当的过滤器或指导原则来避免生成不适当或冒犯性的内容。性能优化：Prompt 的设计也可以影响 LLM 的性能和效率。通过优化 prompt 的长度、结构和内容，可以提高 LLM 的响应速度和输出质量。

2.PromptTemplate

a.PromptTemplate 案例

实现流程：

导入prompt的类导入通义大模型定义一个模板实例化模板类提醒用户输入生成prompt实例化通义大模型调用invoke进行提问

单个参数

# 1导入prompt的类

from langchain.prompts import PromptTemplate

# 2.导入通义大模型

from langchain_community.llms import Tongyi

# 3.定义一个模板

pp = "{county}的首都是哪里？"

# 4.实例化模板类

promptTemplate = PromptTemplate.from_template(pp)

# 5.输入

ins = input("请输入国家名：")

# 6.生成prompt

prompt = promptTemplate.format(county=ins)

print(prompt)

# 7.实例化通义大模型

tongyi = Tongyi()

# 8.调用invoke进行提问

ret = tongyi.invoke(prompt)

print(ret)

多个参数

# 导入prompt的类

from langchain.prompts import PromptTemplate

# 定义一个模板

pp = "{county}的首都是哪里？境内有多少{question}"

# 实例化模板类

promptTemplate = PromptTemplate.from_template(pp)

# 输入

country_name = input("请输入国家名：")

question_name = input("请输入问题名：")

# 生成prompt

prompt = promptTemplate.format(county=country_name, question=question_name)

print(prompt)

多个参数-结合字典解包

# 导入prompt的类

from langchain.prompts import PromptTemplate

# 定义 prompt 模板

template = "请用简明的语言介绍一下{topic}和{topic2}。"

# 创建 PromptTemplate 对象

prompt_template = PromptTemplate(

input_variables=["topic","topic2"],

template=template

)

# 定义输入变量

input_variables = { "topic": "人工智能","topic2": "深度学习"}

# 生成最终的 prompt

prompt = prompt_template.format(**input_variables)

print(prompt)

在 Python 中，** 运算符用于将字典解包（unpack）成关键字参数（keyword arguments）。它将字典中的键值对传递给函数或方法，使每个键值对变成单独的关键字参数。

b.使用jinja2与f-string来实现提示词模板格式化

安装：

pip install jinja2

模板格式化：

jinja2方式格式化

from langchain.prompts import PromptTemplate

from langchain_community.llms import Tongyi

pp = "{ {county}}的首都是哪里？"

# 实例化模板类

promptTemplate = PromptTemplate.from_template(pp,template_format="jinja2")code>

p1 = promptTemplate.format(county="中国")code>

print(p1)

tongyi = Tongyi()

ret = tongyi.invoke(p1)

print(ret)

字符串方式格式化

from langchain.prompts import PromptTemplate

from langchain_community.llms import Tongyi

pp1 = "{county}的首都是哪里？"

# 实例化模板类

promptTemplate = PromptTemplate.from_template(pp1,template_format="f-string")code>

p2 = promptTemplate.format(county="中国")code>

print(p2)

tongyi = Tongyi()

ret = tongyi.invoke(p2)

print(ret)