AI学习笔记 - Prompt-开发者社区

1. Prompts开发基础概念与重要性

在AI应用开发中，Prompts（提示词）是与大语言模型交互的核心桥梁，其质量直接决定了模型输出的准确性和实用性。一个精心设计的Prompt能够引导模型生成符合预期的内容，而模糊的Prompt则可能导致无关或低质量的输出。对于开发者而言，掌握Prompts开发技术是实现高效AI应用的关键第一步。

Prompts不仅仅是简单的问题或指令，它包含了角色定义、任务描述、上下文信息、输出格式等多个维度。在LangChain等框架中，Prompts通过模板化的方式实现了可复用性和可维护性，这使得开发者能够构建更加健壮、高效的LLM应用。

2. 基础PromptTemplate示例

2.1 PromptTemplate实现

让我们从最基础的PromptTemplate开始，这是LangChain中最常用的提示构建工具。以下代码展示了如何创建一个可参数化的提示模板：

from langchain.prompts import PromptTemplate # 创建基础提示模板 prompt = PromptTemplate( input_variables=["topic", "word_count"], template="请用{word_count}字介绍{topic}的历史背景。" ) # 填充变量生成实际提示 formatted_prompt = prompt.format(topic="量子计算", word_count="300") print(formatted_prompt) # 输出："请用300字介绍量子计算的历史背景。"

这个简单的例子展示了PromptTemplate的核心功能：通过定义占位符（如{topic}、{word_count}）创建可复用的模板，然后在运行时用具体值填充这些占位符。这种方式避免了硬编码提示文本，提高了代码的可维护性。

2.2 包含角色定义实现

在实际应用中，我们通常需要为AI模型设定明确的角色，这有助于模型更好地理解任务背景和期望的输出风格：

from langchain.prompts import PromptTemplate # 创建包含角色定义的模板 template = """你是业务咨询顾问。你给一个销售{product}的电商公司，起一个好的名字。""" prompt = PromptTemplate.from_template(template) print(prompt.format(product="手机")) # 或者使用另一种创建方式 prompt2 = PromptTemplate( template="""你是业务咨询顾问。你给一个销售{product}的电商公司，起一个好的名字。""", input_variables=['product'] ) print(prompt2.format(product="电脑"))

在这个示例中，我们通过"你是业务咨询顾问"这句话为模型设定了明确的角色，这会使模型以专业顾问的身份来思考问题。研究表明，明确的角色定义能够显著提升模型输出的专业性和针对性。

3. 聊天模型ChatPromptTemplate

3.1 多角色消息模板

对于聊天模型（如GPT-3.5-turbo、GPT-4），我们需要使用ChatPromptTemplate来处理多角色的消息序列。以下是一个完整的示例：

from langchain_core.prompts import ChatPromptTemplate from langchain_core.messages import SystemMessage, HumanMessage, AIMessage # 创建聊天提示模板 chat_template = ChatPromptTemplate.from_messages([ ("system", "你是一个乐于助人的图书馆管理员，总是用友好、专业的语气回答问题。"), ("human", "请为我推荐一些适合{age_group}阅读的{genre}类书籍，并简要说明推荐理由。") ]) # 填充模板并生成消息列表 messages = chat_template.format_messages( age_group="青少年", genre="科幻" ) # 打印完整的消息结构 for msg in messages: print(f"{msg.type}: {msg.content}")

这个示例展示了聊天模板的核心特点：支持多种消息类型，包括系统消息（设定AI角色和行为准则）、人类用户消息（用户输入）等。系统消息对于塑造AI的"人设"至关重要，它决定了AI将以什么样的风格和态度回应用户。

3.2 实际调用聊天模型

将ChatPromptTemplate与实际的聊天模型结合使用：

from langchain.chat_models import ChatOpenAI from langchain.prompts import ChatPromptTemplate # 初始化聊天模型 chat = ChatOpenAI(model_name="gpt-3.5-turbo") # 创建模板 template = ChatPromptTemplate.from_messages([ ("system", "你是一个乐于助人的图书馆管理员，总是用友好、专业的语气回答问题。"), ("human", "请为我推荐一些适合{age_group}阅读的{genre}类书籍，并简要说明推荐理由。") ]) # 生成消息并调用模型 messages = template.format_messages(age_group="青少年", genre="科幻") response = chat(messages) print("AI的回答：") print(response.content)

4. Few-Shot示例模板

4.1 基础FewShotPromptTemplate

Few-Shot学习是通过提供示例来"教"模型如何完成特定任务的有效方法。以下是一个完整的示例：

from langchain.prompts import FewShotPromptTemplate, PromptTemplate # 定义示例 examples = [ {"question": "中国的首都是哪里？", "answer": "北京"}, {"question": "法国的首都是哪里？", "answer": "巴黎"} ] # 创建示例格式模板 example_template = """ Question: {question} Answer: {answer} """ example_prompt = PromptTemplate( input_variables=["question", "answer"], template=example_template ) # 创建Few-Shot提示模板 few_shot_prompt = FewShotPromptTemplate( examples=examples, example_prompt=example_prompt, prefix="请回答以下问题：", suffix="Question: {input}\nAnswer:", input_variables=["input"] ) # 生成提示 formatted_prompt = few_shot_prompt.format(input="美国的首都是哪里？") print(formatted_prompt)

这个模板会生成包含示例的完整提示，帮助模型理解我们期望的问答格式。Few-Shot学习特别适用于需要特定输出格式或风格的任务。

4.2 更复杂的Few-Shot示例

对于更复杂的任务，更详细的示例：

from langchain.prompts import FewShotPromptTemplate, PromptTemplate examples = [ { "input": "蓝色的天空", "output": "天空是蓝色的，像一块巨大的蓝宝石。" }, { "input": "秋天的枫叶", "output": "枫叶在秋天变成了红色，像一团团燃烧的火焰。" } ] example_template = """ 输入：{input} 输出：{output} """ example_prompt = PromptTemplate( input_variables=["input", "output"], template=example_template ) few_shot_prompt = FewShotPromptTemplate( examples=examples, example_prompt=example_prompt, prefix="请将以下简短的描述扩展成生动的句子：", suffix="输入：{test_input}\n输出：", input_variables=["test_input"], example_separator="\n---\n" ) result = few_shot_prompt.format(test_input="宁静的夜晚") print(result)

5. 结构化输出与链式调用

5.1 结构化输出解析器

在实际应用中，我们经常需要模型输出特定格式的内容，这时可以使用结构化输出解析器：

from langchain.output_parsers import StructuredOutputParser, ResponseSchema from langchain_core.prompts import PromptTemplate from langchain_openai import ChatOpenAI # 初始化模型 llm = ChatOpenAI( model_name="gpt-3.5-turbo", temperature=0.5, max_tokens=200 ) # 定义输出模式 response_schemas = [ ResponseSchema(name="content", description="The original content"), ResponseSchema(name="summary", description="The summary of the content"), ] output_parser = StructuredOutputParser.from_response_schemas(response_schemas) format_instructions = output_parser.get_format_instructions() # 创建提示模板 summarizing_prompt_template = """ {format_instructions} 总结以下文本为一个20字以内的句子: --- {content} """ prompt = PromptTemplate.from_template( summarizing_prompt_template, partial_variables={'format_instructions': format_instructions} ) # 创建链 summarizing_chain = prompt | llm | output_parser result = summarizing_chain.invoke({"content": "这是一个测试。"}) print(result)

5.2 链式工作流

对于复杂任务，我们可以将多个Prompt链式组合：

from langchain.chains import LLMChain from langchain.llms import OpenAI from langchain.prompts import PromptTemplate # 第一个链：生成主题概述 overview_prompt = PromptTemplate( input_variables=["topic"], template="简要介绍{topic}的核心概念：" ) overview_chain = LLMChain(llm=OpenAI(), prompt=overview_prompt) # 第二个链：基于概述生成详细提示 detail_prompt = PromptTemplate( input_variables=["topic", "overview"], template="基于以下概述，详细解释{topic}的应用场景：\n{overview}" ) detail_chain = LLMChain(llm=OpenAI(), prompt=detail_prompt) # 执行链 topic = "区块链" overview = overview_chain.run(topic) result = detail_chain.run(topic=topic, overview=overview) print("概述：", overview) print("详细应用：", result)