当前位置：首页 > news >正文

MySL优化全攻略：索引、SL与分库分表的最佳实践

news 2026/4/14 21:03:55

这个代码的核心功能是：基于输入词的长度动态选择反义词示例，并调用大模型生成反义词，体现了 “动态少样本提示（Dynamic Few-Shot Prompting）” 与 “上下文长度感知的示例选择” 的能力。

from langchain.prompts import FewShotPromptTemplate, PromptTemplate

from langchain.prompts.example_selector import LengthBasedExampleSelector

from langchain_core.output_parsers import StrOutputParser

from langchain_openai import ChatOpenAI

import os

from dotenv import load_dotenv

# 定义反义词任务的示例数据集（few-shot examples）

# 每个示例包含一个输入词（input）和对应的反义词（output）

examples = [

{"input": "开心", "output": "伤心"},

{"input": "高", "output": "矮"},

{"input": "精力充沛", "output": "没精打采"},

{"input": "粗", "output": "细"},

]

# 定义单个示例的格式模板

# 使用 {input} 和 {output} 作为占位符，用于后续填充具体值

example_prompt = PromptTemplate(

input_variables=["input", "output"], # 声明模板中使用的变量名

template="Input: {input}\nOutput: {output}", # 示例的文本格式

)

# 创建一个基于长度的示例选择器（LengthBasedExampleSelector）

# 作用：根据输入提示的总长度动态选择最合适的示例数量，避免超出模型上下文限制

example_selector = LengthBasedExampleSelector(

examples=examples, # 提供所有候选示例

example_prompt=example_prompt, # 用于格式化每个示例的模板

max_length=25, # 设定整个 prompt（含前缀、示例、后缀）的最大 token 长度（此处为字符数近似）

# 注意：LengthBasedExampleSelector 默认使用 len(text) 计算长度（非精确 token 数），适用于简单场景

)

# 构建动态少样本提示模板（FewShotPromptTemplate）

# 它会根据输入内容的长度，自动从 examples 中选择合适数量的示例插入到 prompt 中

dynamic_prompt = FewShotPromptTemplate(

example_selector=example_selector, # 使用上面定义的动态选择器（而非固定示例列表）

example_prompt=example_prompt, # 单个示例的格式

prefix="给出每个输入的反义词", # 提示的开头部分（任务指令）

suffix="Input: {adjective}\nOutput:", # 提示的结尾部分，包含待预测的输入占位符

input_variables=["adjective"], # 声明最终用户输入的变量名（与 suffix 中的 {adjective} 对应）

)

# === 测试 1：输入较短，应选择多个示例 ===

print("【测试1】输入较短，选择多个示例：")

print(dynamic_prompt.format(adjective="big"))

print('------------')

# === 测试 2：输入很长，应只选择少量或一个示例以控制总长度 ===

long_string = "big and huge and massive and large and gigantic and tall and much much much much much bigger than everything else"

print("【测试2】输入很长，仅选择一个示例：")

print(dynamic_prompt.format(adjective=long_string))

print('------------')

# === 测试 3：动态添加新示例 ===

# 向示例选择器中新增一个示例（"胖" -> "瘦"）

new_example = {"input": "胖", "output": "瘦"}

dynamic_prompt.example_selector.add_example(new_example)

print("【测试3】添加新示例后，查询'热情'：")

print(dynamic_prompt.format(adjective="热情"))

print('------------')

# === 配置并调用 DeepSeek 大语言模型 ===

llm = ChatOpenAI(

api_key=os.getenv("DEEPSEEK_API_KEY"),

base_url=os.getenv("DEEP_URL"), # Deepseek 的 API 基础地址

model="deepseek-v3:671b", # Deepseek 对话模型（可选：deepseek-chat-pro 等高级模型）

temperature=0.7, # 温度参数（0-1，越低越稳定）

max_tokens=1024 # 最大生成 tokens

)

# 创建字符串输出解析器，用于将模型返回的 AIMessage 转换为纯文本

output_parser = StrOutputParser()

# 构建处理链（Chain）：prompt → LLM → output parser

# 使用 LangChain 的管道操作符 `|` 连接各组件

chain = dynamic_prompt | llm | output_parser

# 调用链，传入输入变量 {"adjective": "热情"}

# 注意：chain.invoke() 内部已包含 llm 调用和 output_parser 解析，无需再手动调用 output_parser

message = chain.invoke({"adjective": "热情"})

# ?? 注意：上一行 `chain.invoke()` 已经返回了字符串（因为最后是 StrOutputParser）

# 所以下面这行是多余的，甚至会导致错误（因为 message 已是 str，不能再次 invoke）

# result = output_parser.invoke(message) # ? 错误：message 是 str，不是 AIMessage

# 正确做法：直接使用 message 作为结果

result = message

print('###############')

print("【模型输出】")

print(result)

输出结果：

【测试1】输入较短，选择多个示例：

给出每个输入的反义词

Input: 开心

Output: 伤心

Input: 高

Output: 矮

Input: 精力充沛

Output: 没精打采

Input: 粗

Output: 细

Input: big

Output:

------------

【测试2】输入很长，仅选择一个示例：

给出每个输入的反义词

Input: 开心

Output: 伤心

Input: big and huge and massive and large and gigantic and tall and much much much much much bigger than everything else

Output:

------------

【测试3】添加新示例后，查询'热情'：

给出每个输入的反义词

Input: 开心

Output: 伤心

Input: 高

Output: 矮

Input: 精力充沛

Output: 没精打采

Input: 粗

Output: 细

Input: 胖

Output: 瘦

Input: 热情

Output:

------------

###############

【模型输出】

冷淡

核心要点总结

这段代码是基于 LangChain 框架对接 DeepSeek 大模型，实现「动态少样本（Few-Shot）反义词生成」的完整案例，核心解决「固定示例易超出模型上下文长度」的问题，通过动态示例选择器适配不同长度输入，同时结合 LangChain 链式调用简化模型调用流程，先明确整体定位，再拆解核心重点：

一、整体流程概览（核心逻辑链）

代码遵循 LangChain 「示例准备 → 动态提示构建 → 模型调用 → 结果解析」的少样本学习经典流程，整体可概括为：

1. 定义反义词任务的固定示例数据集，为模型提供参考案例

2. 配置基于长度的示例选择器，根据输入文本长度动态筛选示例数量

3. 构建动态少样本提示模板，自动适配输入长度生成合规 Prompt

4. 初始化 DeepSeek 模型客户端，配置核心调用参数

5. 构建「提示模板 → 大模型 → 输出解析」的链式调用流程

6. 调用链条完成反义词生成，并输出纯文本结果

二、核心重点拆解（必掌握）

1. 少样本提示（Few-Shot Prompt）核心组件

这是实现「模型参考示例生成结果」的基础，也是 LangChain 提示工程的核心用法：

- 示例数据集（examples）：以键值对形式存储「输入-输出」示例，为模型提供任务参考（如"开心"→"伤心"）；