LLM 中什么是Prompts？如何使用LangChain 快速实现Prompts 一
Prompt是一种基于自然语言处理的交互方式，它通过机器对自然语言的解析，实现用户与机器之间的沟通。 Prompt主要实现方式是通过建立相应的语料库和语义解析模型，来将自然语言转换为机器可识别的指令。 Prompt是一种计算机编程语言，它被广泛用于自然语言处理(NLP)和人工智能(AI)领域。
LLM 中什么是Prompts？如何使用LangChain 快速实现Prompts 一_sedPrompt templage 是用于生成语言模型提示的预定义方案。
模板可以包括说明、少量示例以及适合给定任务的特定上下文和问题。
LangChain 提供了创建和使用提示模板的工具。
LangChain 致力于创建与模型无关的模板，以便能够轻松地跨不同语言模型重用现有模板。
通常LLM 期望提示是字符串或聊天消息列表。
PromptTemplate
用于PromptTemplate创建字符串提示的模板。
默认情况下，PromptTemplate使用 Python 的 str.format 语法进行模板化。
该模板支持任意数量的变量，包括无变量：
代码语言：javascript复制from langchain.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"Tell me a {adjective} joke about {content}."
)
prompt_template.format(adjective="funny", content="chickens")
# > 'Tell me a funny joke about chickens.'# 无变量
prompt_template = PromptTemplate.from_template("Tell me a joke")
prompt_template.format()
# > 'Tell me a joke'PromptTemplate 一般使用在单轮对话中。不需要历史记忆的场景.
ChatPromptTemplate
ChatPromptTemplate 聊天消息列表,每条聊天消息都与内容以及附加参数相关联role。例如聊天消息可以与 AI 助手、人类或系统角色相关联。
创建一个这样的聊天提示模板：
代码语言：javascript复制from langchain_core.prompts import ChatPromptTemplate
chat_template = ChatPromptTemplate.from_messages(
[
("system", "You are a helpful AI bot. Your name is {name}."),
("human", "Hello, how are you doing?"),
("ai", "I'm doing well, thanks!"),
("human", "{user_input}"),
]
)
messages = chat_template.format_messages(name="Bob", user_input="What is your name?")ChatPromptTemplate.from_messages接受各种消息表示形式。
例如除了使用上面使用的 (type, content) 的二元组表示之外，我们还可以传入 MessagePromptTemplate的实例BaseMessage。
chat_template = ChatPromptTemplate.from_messages(
[
# 这里跟上面的 system 的作用是一致的
SystemMessage(
content=(
"You are a helpful assistant that re-writes the user's text to "
"sound more upbeat."
)
),
HumanMessagePromptTemplate.from_template("{text}"),
]
)
messages = chat_template.format_messages(text="I don't like eating tasty things")
print(messages)这样为我们构建聊天提示的方式提供了很大的灵活性。
LECL 方式
PromptTemplate 与 ChatPromptTemplate都实现Runnable接口。这意味着它们支持invoke、 ainvoke、stream、astream、batch、abatch、astream_log 函数的调用。
PromptTemplate接受（提示变量的）字典并返回一个StringPromptValue. ChatPromptTemplate接受一个字典并返回一个ChatPromptValue。
prompt_val = prompt_template.invoke({"adjective": "funny", "content": "chickens"})
# StringPromptValue(text='Tell me a funny joke about chickens.')
prompt_val.to_string()
# > Tell me a funny joke about chickens.
prompt_val.to_messages()
#> [HumanMessage(cnotallow='Tell me a joke')]另一个例子
代码语言：javascript复制chat_val = chat_template.invoke({"text": "i dont like eating tasty things."})
chat_val.to_messages()
#> [SystemMessage(cnotallow="You are a helpful assistant that re-writes the user's text to sound more upbeat."),HumanMessage(cnotallow='i dont like eating tasty things.')]
# 转换为字符串
chat_val.to_string()
#> "System: You are a helpful assistant that re-writes the user's text to sound more upbeat.nHuman: i dont like eating tasty things."使用类型消息
聊天提示由消息列表组成。纯粹为了创建这些提示方便我们开发人员添加的一种的便捷方法。在此管道中，每个新元素都是最终提示中的一条新消息。
代码语言：javascript复制from langchain_core.messages import AIMessage, HumanMessage, SystemMessage首先，让我们使用系统消息初始化基本 ChatPromptTemplate。不一定要从系统开始，但这通常是比较好的做法。
prompt = SystemMessage(content="You are a nice pirate")然后我们可以轻松创建将其与其他消息或消息模板相结合的管道 。
当没有要格式化的变量时使用Message，当有要格式化的变量时使用MessageTemplate。还可以仅使用一个字符串（注意：这将自动推断为 HumanMessagePromptTemplate）
new_prompt = (
prompt HumanMessage(content="hi") AIMessage(content="what?") "{input}"
)这样LangChain会创建 ChatPromptTemplate 类的一个实例，因此我们可以像以前一样使用它！
new_prompt.format_messages(input="i said hi")
# 输出
[SystemMessage(content='You are a nice pirate', additional_kwargs={}),
HumanMessage(content='hi', additional_kwargs={}, example=False),
AIMessage(content='what?', additional_kwargs={}, example=False),
HumanMessage(content='i said hi', additional_kwargs={}, example=False)]也可以在LLMChain一样在使用它。
from langchain.chains import LLMChain
from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
chain = LLMChain(prompt=new_prompt, llm=llm)
chain.run("I said HI!")选择器
名称 | 描述 |
|---|---|
相似 similarity | 使用输入和示例之间的语义相似性来决定选择哪些示例。 |
MMR | 使用输入和示例之间的最大边际相关性来决定选择哪些示例。 |
length_based | 根据一定长度内可以容纳的数量来选择示例 |
Ngram | 使用输入和示例之间的 ngram 重叠来决定选择哪些示例。 |
长度选择
长度选择器根据长度选择要使用的示例。当我们担心构建的提示会超过上下文窗口的长度时，这非常有用。对于较长的输入，它将选择较少的示例来包含，而对于较短的输入，它将选择更多的示例。
代码语言：javascript复制from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.prompts.example_selector import LengthBasedExampleSelector
# 制作反义词的任务示例。
examples = [
{"input": "happy", "output": "sad"},
{"input": "tall", "output": "short"},
{"input": "energetic", "output": "lethargic"},
{"input": "sunny", "output": "gloomy"},
{"input": "windy", "output": "calm"},
]
example_prompt = PromptTemplate(
input_variables=["input", "output"],
template="Input: {input}nOutput: {output}",
)
example_selector = LengthBasedExampleSelector(
# 可供选择的示例。
examples=examples,
#用于格式化示例的PromptTemplate。
example_prompt=example_prompt,
# 格式化示例的最大长度。长度由下面的get_text_length函数来衡量。
max_length=25,
# 用于获取字符串长度的函数，用于确定要包含哪些示例。因为如果未指定，默认值将会提供。
# get_text_length: Callable[[str], int] = lambda x: len(re.split("n| ", x))
)
dynamic_prompt = FewShotPromptTemplate(
# 我们提供一个示例选择器
example_selector=example_selector,
example_prompt=example_prompt,
prefix="Give the antonym of every input",
suffix="Input: {adjective}nOutput:",
input_variables=["adjective"],
)print(dynamic_prompt.format(adjective="big"))Give the antonym of every input
Input: happy
Output: sad
Input: tall
Output: short
Input: energetic
Output: lethargic
Input: sunny
Output: gloomy
Input: windy
Output: calm
Input: big
Output:代码语言：javascript复制一个包含长输入的示例，所以它只选择了一个示例。
long_string = "big and huge and massive and large and gigantic and tall and much much much much much bigger than everything else"
print(dynamic_prompt.format(adjective=long_string))Give the antonym of every input
Input: happy
Output: sad
Input: big and huge and massive and large and gigantic and tall and much much much much much bigger than everything else
Output:(MMR) 选择
MaxMarginalRelevanceExampleSelector根据与输入最相似的示例的组合来选择示例，同时还针对多样性进行优化。它通过查找与输入具有最大余弦相似度的嵌入示例来实现这一点，然后迭代地添加它们，同时排除它们与已选择示例的接近程度。
看个例子：
代码语言：javascript复制from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.prompts.example_selector import (
MaxMarginalRelevanceExampleSelector,
SemanticSimilarityExampleSelector,
)
from langchain_community.vectorstores import FAISS
from langchain_openai import OpenAIEmbeddings
example_prompt = PromptTemplate(
input_variables=["input", "output"],
template="Input: {input}nOutput: {output}",
)
#创建反义词的假装任务的示例。
examples = [
{"input": "happy", "output": "sad"},
{"input": "tall", "output": "short"},
{"input": "energetic", "output": "lethargic"},
{"input": "sunny", "output": "gloomy"},
{"input": "windy", "output": "calm"},
]example_selector = MaxMarginalRelevanceExampleSelector.from_examples(
# 可以选择的示例列表。
examples,
# 用于生成嵌入的嵌入类，用于衡量语义相似性。
OpenAIEmbeddings(),
# 用于存储嵌入并进行相似度搜索的VectorStore类。
FAISS,
# 需要生成的示例数量。
k=2,
)
mmr_prompt = FewShotPromptTemplate(
#我们提供 ExampleSelector
example_selector=example_selector,
example_prompt=example_prompt,
prefix="Give the antonym of every input",
suffix="Input: {adjective}nOutput:",
input_variables=["adjective"],
)代码语言：javascript复制输入worried 是一种感觉类的词汇，所以应该选择愉快/悲伤的例子作为第一个。
print(mmr_prompt.format(adjective="worried"))# 让我们将这与仅仅基于相似性得到的结果进行比较。请使用SemanticSimilarityExampleSelector代替MaxMarginalRelevanceExampleSelector。
example_selector = SemanticSimilarityExampleSelector.from_examples(
# 可供选择的示例列表。
examples,
#向量相似性检索
OpenAIEmbeddings(),
#用于存储嵌入并进行相似性搜索的 VectorStore 类。
FAISS,
k=2,
)
similar_prompt = FewShotPromptTemplate(
# 供了一个示例选择器，而不仅仅是具体的示例。
example_selector=example_selector,
example_prompt=example_prompt,
prefix="Give the antonym of every input",
suffix="Input: {adjective}nOutput:",
input_variables=["adjective"],
)
print(similar_prompt.format(adjective="worried"))Ngram重叠选择
NGramOverlapExampleSelector根据 ngram 重叠分数，根据与输入最相似的示例来选择示例并对其进行排序。ngram 重叠分数是 0.0 到 1.0 之间的浮点数（含 0.0 和 1.0）。
选择器允许设置阈值分数。ngram 重叠分数小于或等于阈值的示例被排除。默认情况下，阈值设置为 -1.0，因此不会排除任何示例，只会对它们重新排序。将阈值设置为 0.0 将排除与输入没有 ngram 重叠的示例。
代码语言：javascript复制from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.prompts.example_selector.ngram_overlap import NGramOverlapExampleSelector
example_prompt = PromptTemplate(
input_variables=["input", "output"],
template="Input: {input}nOutput: {output}",
)
# 翻译任务的示例
examples = [
{"input": "See Spot run.", "output": "Ver correr a Spot."},
{"input": "My dog barks.", "output": "Mi perro ladra."},
{"input": "Spot can run.", "output": "Spot puede correr."},
]example_selector = NGramOverlapExampleSelector(
# 可以选择的示例。
examples=examples,
# 正在使用的 PromptTemplate 用于格式化示例。
example_prompt=example_prompt,
# 选择器停止的阈值。默认是 -1.0
threshold=-1.0,
)
dynamic_prompt = FewShotPromptTemplate(
# 我们提供一个示例选择器。
example_selector=example_selector,
example_prompt=example_prompt,
prefix="Give the Spanish translation of every input",
suffix="Input: {sentence}nOutput:",
input_variables=["sentence"],
)对于负阈值：Selector按ngram重叠分数对示例进行排序，不排除任何示例。对于大于1.0的阈值：选择器排除所有示例，并返回一个空列表。对于等于0.0的阈值：Selector根据ngram重叠分数对示例进行排序，并且排除与输入没有ngram重叠的那些。
similarity 选择器
该对象根据与输入的相似性来选择示例。它通过查找与输入具有最大余弦相似度的嵌入示例来实现这一点。
代码语言：javascript复制from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
example_prompt = PromptTemplate(
input_variables=["input", "output"],
template="Input: {input}nOutput: {output}",
)
#创建反义词的任务的示例。
examples = [
{"input": "happy", "output": "sad"},
{"input": "tall", "output": "short"},
{"input": "energetic", "output": "lethargic"},
{"input": "sunny", "output": "gloomy"},
{"input": "windy", "output": "calm"},
]example_selector = SemanticSimilarityExampleSelector.from_examples(
# 可供选择的示例列表。
examples,
# 用于生成嵌入的嵌入类，这些嵌入类用于衡量语义相似性。
OpenAIEmbeddings(),
#用于存储嵌入并进行相似度搜索的VectorStore类。
Chroma,
k=1,
)
similar_prompt = FewShotPromptTemplate(
# 我们提供一个 ExampleSelector
example_selector=example_selector,
example_prompt=example_prompt,
prefix="Give the antonym of every input",
suffix="Input: {adjective}nOutput:",
input_variables=["adjective"],
)总结：
本篇文章我们主要介绍了一下内容：
- 什么是
prompt，prompt template - Langchain 中 构建
prompt template的方式以及类型：PromptTemplate，ChatPromptTemplate。 - 使用 langchain 构建消息类型。
- prompt 选择器的类型，以及为什么需要选择器。
