【LLM大模型】Langchain:Prompt在手,天下我有_大模型 prompt中传递变量吗

简介： prompts是大语言模型的输入，他是基于大语言模型应用的利器。没有差的大语言模型，只有差的prompts。写好prompts才能发挥大语言模型300%的功力。理论上，要写好prompts其实不是那么容易的，但是langchain把这个理论变成了现实，一起来看看吧。

简介

prompts是大语言模型的输入，他是基于大语言模型应用的利器。没有差的大语言模型，只有差的prompts。

写好prompts才能发挥大语言模型300%的功力。

理论上，要写好prompts其实不是那么容易的，但是langchain把这个理论变成了现实，一起来看看吧。

好的prompt

有时候，不是我们使用的语言模型不够好，而是因为我们写的prompt不够优秀。

以下是一些写好大语言模型的prompts的几条原则：

1. 具体和详细：prompts应该具有明确的问题或任务，同时包含足够的细节和背景信息，以便大语言模型能够理解和回答。

2. 可理解和可回答：prompts应该明确清晰，让大语言模型能够理解并且回答。避免使用过于抽象、模糊或带有攻击性的语言。

3. 有情境和背景：prompts应该包含足够的情境和背景信息，让大语言模型能够理解问题的重要性和意义，并在回答中提供有意义的信息。

4. 有目标和方向：prompts应该明确问题或任务的目标和方向，以便大语言模型能够为需要的信息提供清晰和有用的答案。

5. 可扩展和可定制：prompts应该设计成易于扩展和定制，以适应不同的应用场景和用户需求。

因为很多时候，在类似的场景中，我们的prompts的大体结构是一样的，只有具体的细节描述有所不同，这时候，就需要用到prompt template.

什么是prompt template

prompt template就是一个prompt的模板，通过prompt template，我们可以快速的生成多个prompt。

基本上prompt template已经帮我们描述好了场景，要做的事情。我们只需要填入具体的内容即可。

下面是一个prompt template的简单例子：

from langchain import PromptTemplate
template = """/
假如你是一个金融公司的理财经理，请你分析一下{stock}这只股票。
"""
prompt = PromptTemplate.from_template(template)
prompt.format(stock="腾讯控股")
假如你是一个金融公司的理财经理，请你分析一下腾讯控股这只股票。
1
2
3
4
5
6
7

这样，对于用户来说，只需要输入需要问询的股票名称即可。其他的一长串文字就不需要了，大大节省了prompt构建的时间。

当然，这只是一个非常简单的例子，你还可以在prompt template中设置回答的格式，提供具体的例子等等，从而得到更好的回复。

在langchain中创建prompt template

简单点说prompt template就是一个格式化输入的东西。在langchain中，对应的工具类叫做PromptTemplate。

上面的简单例子中，我们已经大体看到了如何使用PromptTemplate。

在上例中，我们调用了PromptTemplate.from_template方法，传入了一个template的字符串。

在template的字符串中，我们用括号定义了一个变量。最后调用prompt.format方法，指定变量的名称和值，完成prompt的最终创建。

另外，prompt template中还可以指定多个变量：

template = "请告诉我一个关于{personA}的{thingsB}"
prompt_template = PromptTemplate.from_template(template)
prompt_template.format(personA="小张", thingsB="故事")
1
2
3

只需要在format中指定变量名称即可。

除了是用PromptTemplate.from_template方法之外，我们还可以直接使用PromptTemplate的构造函数来创建prompt。

PromptTemplate的构造函数可以接受两个参数：input_variables和template。

input_variables是template中的变量名字，它是一个数组。

template就是模板的具体内容，是个字符串。

比如，我们可以构造无变量的模板：

no_input_prompt = PromptTemplate(input_variables=[], template="这是一个无参数模板。")
no_input_prompt.format()
1
2

我们还可以构造带参数模板：

one_input_prompt = PromptTemplate(input_variables=["stock"], template="假如你是一个金融公司的理财经理，请你分析一下{stock}这只股票。")
one_input_prompt.format(stock="腾讯控股")
1
2

还有多个参数的模板：

multiple_input_prompt = PromptTemplate(
    input_variables=["personA", "thingsB"], 
    template="请告诉我一个关于{personA}的{thingsB}"
)
multiple_input_prompt.format(personA="小张", thingsB="故事")
1
2
3
4
5

Chat特有的prompt template

之前在介绍langchain的时候有跟大家提到过，chat虽然是基于LLM的，但是和基本的LLM还有有区别的。

最主要的区别在于，chat消息是不同角色的。比如在openai中，chat消息就可以被分为AI, human或者system这几种角色。

这样做虽然复杂了一点，但是可以更好的对消息进行分类处理。

我们看下langchain中关于chat的PromptTemplate有哪些：

from langchain.prompts import (
    ChatPromptTemplate,
    PromptTemplate,
    SystemMessagePromptTemplate,
    AIMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
1
2
3
4
5
6
7

和普通的prompt template一样，我们可以调用MessagePromptTemplate的from_template来创建对应的prompt：

template="现在你的角色是{role},请按该角色进行后续的对话."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template="{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
1
2
3
4

当然你可以通过构造函数来创建prompt：

prompt=PromptTemplate(
    template="现在你的角色是{role},请按该角色进行后续的对话.",
    input_variables=["role"],
)
1
2
3
4

有了一个或者多个MessagePromptTemplates之后，就可以使用这些MessagePromptTemplates来构建ChatPromptTemplate了：

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
chat_prompt.format_prompt(role="医生", text="帮我看看我的颜值还行吗？").to_messages()
1
2

总结

好了， 基本的langchain中的prompt template已经介绍完毕。

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Guff_9hys/article/detail/967468