平时做技术实践时，很多问题不是概念不会，而是细节没串起来。拿“langchain Prompt大语言模型采用技巧整理”来说，它看着像小点，放到项目里常会牵出环境、配置、兼容性和维护成本。下面按实际采用顺序，把思路、关键写法和容易踩坑的地方讲清楚，便于大家直接对照操作。

目录

• 简介
• 好的prompt
• 什么是prompt template
• 在langchain中新建prompt template
• Chat特有的prompt template
• 总结

简介

理解这一步时，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。

在这个场景下，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

结合项目来看，有时候，不是我们采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：

• 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。
• 可理解和可回答：prompts应该明确清晰，让大语言模型能够理解同时且回答。避免采用过于抽象、模糊或带有攻击性的语言。
• 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，同时在回答中提供有意义的信息。
• 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的信息提供清晰和有用的答案。
• 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。

理解这一步时，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，就需用到prompt template.

什么是prompt template

结合项目来看，prompt template就是一个prompt的模板，借助prompt template，我们能够更快的生成多个prompt。

从实现思路看，基本上prompt template已经帮我们描述好了场景，要做的事情。我们只需填入具体的内容即可。

下面是一个prompt template的轻松例子：

from langchain import PromptTemplate
template = """/
假如你是一个公司的经理，请你分析一下{stock}这只。
"""
prompt = PromptTemplate.from_template(template)
prompt.format(stock="腾讯控股")
假如你是一个公司的经理，请你分析一下腾讯控股这只。

从实现思路看，这样，对于用户来说，只需输入需问询的名称即可。其他的一长串文字就不需了，大大节省了prompt构建的时间。

实际处理时，当然，这只是一个很轻松的例子，你还能够在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中新建prompt template

结合项目来看，轻松点说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。

理解这一步时，上面的轻松例子中，我们已经大体看到了如何采用PromptTemplate。

理解这一步时，在上例里，我们调用了PromptTemplate.from_template方法，传入了一个template的字符串。

实际处理时，在template的字符串里，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的最后新建。

另外，prompt template中还能够指定多个变量：

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")

只需在format中指定变量名称即可。

理解这一步时，除了是用PromptTemplate.from_template方法之外，我们还能够直接采用PromptTemplate的构造函数来新建prompt。

结合项目来看，PromptTemplate的构造函数能够接受两个参数：input_variables和template。

在这个场景下，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，我们能够构造无变量的模板：

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

我们还能够构造带参数模板：

one_input_prompt = PromptTemplate(input_variables=["stock"], template="假如你是一个公司的经理，请你分析一下{stock}这只。")
one_input_prompt.format(stock="腾讯控股")

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")

Chat特有的prompt template

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

结合项目来看，最主要的区别在于，ch@t消息是不同角色的。比如在openai中，ch@t消息就能够被分为AI, human或者system这几种角色。

这样做虽然复杂了一点，但是能够更好的对消息进行分类处理。

我们看下langchain中关于ch@t的PromptTemplate有哪些：

from langchain.prompts import (
    ChatPromptTemplate,
    PromptTemplate,
    SystemMessagePromptTemplate,
    AIMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

在这个场景下，和普通的prompt template一样，我们能够调用MessagePromptTemplate的from_template来新建对应的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)

当然你能够借助构造函数来新建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"],
)

理解这一步时，有了一个或者多个MessagePromptTemplates之后，就能够采用这些MessagePromptTemplates来构建ChatPromptTemplate了：

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

总结

在这个场景下，好了， 基本的langchain中的prompt template已经介绍完毕。大家去试试看吧。

从实现思路看，以上就是langchain Prompt大语言模型采用技巧详解的详细内容，更多关于langchain Prompt大语言模型的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

• ollama搭建本地ai大模型并应用调用的操作方法
• 大语言模型的开发利器langchainan安装采用更快入门学习
• Docker AIGC等大模型深度学习环境搭建步骤最新详细版
• 前端AI机器学习在浏览器中训练模型
• AI:如何训练机器学习的模型
• django数据模型on_delete, db_constraint的采用详解
• TensorFlow入门采用 tf.train.Saver()保存模型
• Python从零开始训练AI模型的实用教程