langchain学习--提示词

langchain提示词学习要点

提示词（Prompt）在LangChain中扮演着核心角色，直接影响模型输出的质量和准确性。以下是关键学习方向和实践方法：

基础结构设计

• 明确指令：直接说明任务要求，例如"生成一份关于气候变化的报告摘要"
• 提供上下文：添加背景信息提升相关性，如"针对2023年联合国气候报告数据"
• 示例示范：通过few-shot learning提供输入输出示例

高级优化技巧

• 变量插值：使用{variable}动态插入内容
• 模板组合：将多个提示模板串联使用
• 输出解析：指定返回格式如JSON或特定数据结构

常见应用场景

• 问答系统：设计带知识库约束的提示
• 文本生成：控制输出长度和风格
• 数据提取：指定结构化输出要求

调试与评估

• 记录不同提示版本的输出结果
• 使用定量指标评估提示效果
• 通过A/B测试比较不同模板

最佳实践

• 保持提示词简洁明确
• 逐步迭代优化提示内容
• 考虑模型的具体版本特性
• 处理敏感内容时添加安全约束

下面我介绍三个提示词类：

PromptTemplate

PromptTemplate 用于创建结构化提示词模板，允许动态插入变量。适用于需要重复使用相同提示结构但内容变化的场景。

核心功能

• 支持变量插值：通过input_variables定义占位符，运行时填充具体值。
• 支持模板格式化：支持 Jinja2 或 f-string 等语法，灵活控制输出格式。

示例代码

from langchain.prompts import PromptTemplate template = "请用{style}风格写一篇关于{topic}的文章。" prompt = PromptTemplate(input_variables=["style", "topic"], template=template) filled_prompt = prompt.format(style="幽默", topic="人工智能") print(filled_prompt)

prompt=PromptTemplate.from_template( "我的邻居是{lastname}，刚生了{gender},你帮我起个名字，简单回答,给出我理由" ) # 方式 1：.format() 返回字符串 prompt_text = prompt.format(lastname="张", gender="男") print(type(prompt_text)) # <class 'str'> # 方式 2：.format_prompt() 返回 PromptValue prompt_value = prompt.format_prompt(lastname="张", gender="男") print(type(prompt_value)) # StringPromptValue

FewShotPromptTemplate

FewShotPromptTemplate 用于构建包含示例的提示词，通过少量示例指导模型生成符合预期的输出。适用于需要上下文学习的任务。

核心功能

• 示例插入：通过examples参数提供示例列表，每个示例可包含输入和输出。
• 示例格式化：支持自定义示例的展示格式（如前缀、分隔符等）。
• 结构：
• FewShotPromptTemplate(
  examples=None, # 示例数据列表
  example_prompt=None, # 示例的格式化模板
  prefix=None, # 前缀（指令部分）
  suffix=None, # 后缀（用户输入部分）
  input_variables=None, # 需要动态注入的变量
  example_separator="\n\n" # 示例之间的分隔符
  )
  

示例代码

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate from langchain_community.llms.tongyi import Tongyi # 1. 定义示例模板 example_template = PromptTemplate.from_template( "评论：{review}\n情感：{sentiment}" ) # 2. 准备示例数据 examples = [ { "review": "这部电影太棒了，演员演技在线！", "sentiment": "正面" }, { "review": "剧情拖沓，浪费时间，不推荐。", "sentiment": "负面" }, { "review": "画面精美，但故事一般般。", "sentiment": "中性" } ] # 3. 创建 FewShot Prompt few_shot_prompt = FewShotPromptTemplate( examples=examples, example_prompt=example_template, prefix="请判断以下评论的情感倾向（正面/负面/中性）：", suffix="评论：{new_review}\n情感：", input_variables=["new_review"] ) # 4. 生成 Prompt prompt_text = few_shot_prompt.invoke({ "new_review": "服务态度很好，但是价格有点贵" }).to_string() print(prompt_text) """ # 输出： # 请判断以下评论的情感倾向（正面/负面/中性）： # # 评论：这部电影太棒了，演员演技在线！ # 情感：正面 # # 评论：剧情拖沓，浪费时间，不推荐。 # 情感：负面 # # 评论：画面精美，但故事一般般。 # 情感：中性 # # 评论：服务态度很好，但是价格有点贵 # 情感： """ # 5. 调用模型 model = Tongyi(model="qwen-plus") response = model.invoke(prompt_text) print(response) # 输出：中性

高级用法
动态选择示例（Example Selector）当示例很多时，可以智能选择最相关的示例：

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate from langchain_core.example_selectors import SemanticSimilarityExampleSelector from langchain_community.vectorstores import FAISS from langchain_community.embeddings import DashScopeEmbeddings # 1. 准备大量示例 examples = [ {"input": "你好", "output": "Hello"}, {"input": "再见", "output": "Goodbye"}, {"input": "谢谢", "output": "Thank you"}, {"input": "对不起", "output": "Sorry"}, # ... 更多示例 ] # 2. 创建示例选择器（基于语义相似度） example_selector = SemanticSimilarityExampleSelector.from_examples( examples=examples, embeddings=DashScopeEmbeddings(), # 使用嵌入模型 vectorstore_cls=FAISS, # 向量数据库 k=2 # 选择最相似的 2 个示例 ) # 3. 使用动态示例 few_shot_prompt = FewShotPromptTemplate( example_selector=example_selector, # ⭐ 使用选择器代替 examples example_prompt=PromptTemplate.from_template( "输入：{input}\n输出：{output}" ), prefix="翻译以下中文为英文：", suffix="输入：{new_input}\n输出：", input_variables=["new_input"] ) # 4. 调用时自动选择最相关的示例 prompt_text = few_shot_prompt.invoke({ "new_input": "早上好" }).to_string() # 会自动选择与"早上好"最相似的 2 个示例（如"你好"、"再见"） print(prompt_text)

ChatPromptTemplate

ChatPromptTemplate 专为对话场景设计，支持多角色消息（如系统、用户、AI）的模板化。适用于聊天机器人或交互式对话任务。

核心功能

• 多角色支持：通过SystemMessagePromptTemplate、HumanMessagePromptTemplate等区分角色。
• 消息序列化：将多条消息按顺序组合为对话上下文。

示例代码

# ChatPromptTemplate： 支持注入任意数量的历史会话消息 from langchain_core.prompts import ChatPromptTemplate,MessagesPlaceholder from langchain_community.chat_models.tongyi import ChatTongyi from dotenv import load_dotenv load_dotenv() chat_prompt_template=ChatPromptTemplate.from_messages( [ ("system", "请按照唐诗的格式生成唐诗,且你是边塞诗人"), MessagesPlaceholder(variable_name="history"), ("human", "再来一首唐诗") ] ) # 方式 1：使用元组（简洁，推荐用于简单场景） history_data=[ ("human", "请给我写一首唐诗"), ("ai", "锄禾日当午，汗滴禾下土，谁知盘中餐，粒粒皆辛苦"), ("human", "好诗好诗，再给我来一首"), ("ai", "西风瘦马，客输西风，西风瘦马，客输西风"), ] # 方式 2：使用 Message 对象（规范，推荐用于复杂场景） history_data_messages = [ HumanMessage(content="请给我写一首唐诗"), AIMessage(content="锄禾日当午，汗滴禾下土，谁知盘中餐，粒粒皆辛苦"), HumanMessage(content="好诗好诗，再给我来一首"), AIMessage(content="西风瘦马，客输西风，西风瘦马，客输西风"), ] #链式结构 model=ChatTongyi(model="qwen-plus") chai=chat_prompt_template|model res=chai.invoke(input={"history":history_data}) print(res.content)

关键区别

• PromptTemplate：基础模板，适用于单次输入输出。
• FewShotPromptTemplate：通过示例引导模型，适合小样本学习。
• ChatPromptTemplate：面向多轮对话，支持角色化消息编排。