AI探索实践11 - Typescript开发AI应用3：Prompt Template (提示语模版) 功能_提示语编程

大家好，我是feng，感谢你阅读我的博文，如果你也关注AI应用开发，欢迎关注公众号和我一起​探索。如果文章对你有所启发，请为我点赞！

在博文《AI探索实践9 - 不用Python！用前端也能开发一个本地运行的“ChatGPT”！》，实现了仅依靠前端程序，就可以和本地大模型通信，实现了类似ChatGPT聊天的效果。但是在运行程序后，我发现本地模型的响应是一次性显示的，并没有像ChatGPT那样实现打字机的效果。本文就来研究如何实现流式输出的效果。

在博文《AI探索实践10 - 前端实现本地模型流式响应输出》，了解到前端程序如何将模型的响应以流式方式呈现在页面上。

本篇文章将介绍一个比较重要的概念 Prompt Template - 提示语模板，以及如何在前端实现。

一、重点回顾

在前端程序中，使用LangChain框架来实现大模型应用的开发。基本逻辑是：

1. 声明一个 ChatOllama 对象，配置本地大模型参数：ip、模型名称、temperature等。
2. 使用模型的invoke、batch或stream等方法，实现向模型发送请求和收到响应。
3. 根据请求的方法不同，处理不同的响应数据对象，同步更新到模板。

二、问题

上面的代码逻辑，实现了类似ChatGPT聊天的效果。但是在使用过程中发现，我们在连续提出问题时，如果发的提示语比较简单、没有把相关的上下文也一起发送，那么模型回答会显得莫名其妙：

可以看出，模型的回答仅仅针对的是你这一次的提问。现有的代码逻辑，并没有将你这次提问的上下文一起发送给模型，所以在模型看来有些问题可能就会莫名奇妙，答案自然也很离谱。

人与人之间的交流过程中，如果你想得到期望的回答，你就需要说出让对方 听得懂 的话，这很重要。话中的歧义越少，对方理解偏差就越小，给你的响应回答也就越符合你的期望。和大模型的通信也是一样的道理。提示语，就是我们发给模型的内容、说的话。好的提示语能够让模型更好的理解你的问题，从而给你更好的答案。

因此，提示语 Prompt很重要。

三、实现提示语模版功能

实际上，说提示语 prompt很重要，但这是针对现阶段大模型的处理能力来说的。理想情况下，大模型应该有能力充分的理解你想要表达的意思，我相信这在未来是会实现的。现实是大模型还不具备这样的能力，所以我们在实现大模型应用时，要充分的考虑到这一点。应该通过技术来提供一种机制，来优化和补充用户发出的提示语，帮助大模型更好的理解用户意图。

我们可以通过模型对象的方法(invoke/batch/stream)，来获取模型的响应。我们也可以通过使用提示语模版对象（Prompt Template）来获得响应。提示语模版，常用于将用户的输入内容，转换为对于大语言模型更易于理解的内容。

创建一个提示语模板 Prompt Template，可以有2种不同的方法创建：

3.1 从字符串提示语模板中创建

第一种方法，是从字符串模版中创建。它需要以单个字符串作为输入，该字符串代表了系统消息，指示模型以某种方式运行。

新建一个 prompt-template.js 文件：

import { ChatOllama } from '@langchain/community/chat_models/ollama';
import { ChatPromptTemplate } from '@langchain/core/prompts';
 
// 创建一个模型
const chatModel = new ChatOllama({
  baseUrl: 'http://localhost:11434', // Default value
  model: 'qwen:4b',
  temperature: 0.7,
});
 
const prompt = ChatPromptTemplate.fromTemplate(
  '你是一个喜剧演员，使用接下来的词创作一个笑话: {input}',
);

 ChatPromptTemplate 类，可以帮助我们创建一个提示语模版对象。fromTemplate 函数中 {input} 代表用户输入的变量，使用大括号 {} 作为占位符。

在LangChain中，可以以某种方式组合模型和提示语，这被称之为：chain。接下来，我们创建一个chain，通过pipe方法将模型和提示语链接起来。当然也可以链接其他对象：

const chain = prompt.pipe(chatModel);

接下来，我们不再是调用模型的方法来获取响应，而是调用 chain对象来做同样的事情：

const response = await chain.invoke({
  input: '小狗',
});
 
// 在控制台中
console.log(response);

我们执行一下这个js，来看看控制台输出的内容：

可以看到，通过chain将模型与提示语模版对象链接起来，并调用chain的方法同样实现了对模型的请求与响应。我们再来梳理和说明一下逻辑：

模板字符串内容是：

你是一个喜剧演员，使用接下来的词创作一个笑话: {input}

这个提示语起到3个作用：

1. 告诉了模型的定位：喜剧演员。模型将重点使用这个定位的知识来做响应。
2. 创作笑话：任务指令，告诉模型要做什么
3. {input}：告诉模型，要根据用户的数据，并且输入的变量名为：input

当我们调用链时：

input: '小狗',

这个小狗，实际上代表的是用户在页面文本框中输入的内容。也是告诉大模型，变量名为input的值是：小狗

3.2 从消息数组中创建

另一种创建提示语模板的方法是，从消息数组中创建。这个可以更好的控制模型的输出。在这个消息数组中，你可以指定角色以及角色要执行的任务。数组中，每一个元素是一个键值数组：

const prompt2 = ChatPromptTemplate.fromMessages([
  ['system', '根据用户提供的词语，来创作一首四言绝句'],
  ['human', '{input}'],
]);

在代码中，定义了2个角色：system和human。system代表了系统角色，human代表了用户。

const chain2 = prompt2.pipe(chatModel);
const response2 = await chain2.invoke({
  input: '大海',
});
console.log(response2);

执行代码，看看返回的结果：

四、总结

 通过提示语模板功能，我们可以为用户发送的提示语，补充更多的上下文信息，从而得到更好的答案。

我们可以在提示语中间指定模型的角色、明确模型要做的任务，以及说明需要识别用户的输入占位符等。

很明显，质量更高的提示语内容能够帮助大模型给我们回答更准确的结果。如何编写高质量的提示语不在本文的讨论范围，网络也有很多资料可以学习。