简介

prompts是大语言模型的输出，他是基于大语言模型利用的利器。没有差的大语言模型，只有差的prompts。

写好prompts能力施展大语言模型300%的功力。

实践上，要写好prompts其实不是那么容易的，然而langchain把这个实践变成了事实，一起来看看吧。

好的prompt

有时候，不是咱们应用的语言模型不够好，而是因为咱们写的prompt不够优良。

以下是一些写好大语言模型的prompts的几条准则：

  1. 具体和具体：prompts应该具备明确的问题或工作，同时蕴含足够的细节和背景信息，以便大语言模型可能了解和答复。
  2. 可了解和可答复：prompts应该明确清晰，让大语言模型可能了解并且答复。防止应用过于形象、含糊或带有攻击性的语言。
  3. 有情境和背景：prompts应该蕴含足够的情境和背景信息，让大语言模型可能了解问题的重要性和意义，并在答复中提供有意义的信息。
  4. 有指标和方向：prompts应该明确问题或工作的指标和方向，以便大语言模型可能为须要的信息提供清晰和有用的答案。
  5. 可扩大和可定制：prompts应该设计成易于扩大和定制，以适应不同的利用场景和用户需要。

因为很多时候，在相似的场景中，咱们的prompts的大体构造是一样的，只有具体的细节形容有所不同，这时候，就须要用到prompt template.

什么是prompt template

prompt template就是一个prompt的模板，通过prompt template，咱们能够疾速的生成多个prompt。

基本上prompt template曾经帮咱们形容好了场景，要做的事件。咱们只须要填入具体的内容即可。

上面是一个prompt template的简略例子：

from langchain import PromptTemplatetemplate = """/如果你是一个金融公司的理财经理，请你剖析一下{stock}这只股票。"""prompt = PromptTemplate.from_template(template)prompt.format(stock="腾讯控股")如果你是一个金融公司的理财经理，请你剖析一下腾讯控股这只股票。

这样，对于用户来说，只须要输出须要问询的股票名称即可。其余的一长串文字就不须要了，大大节俭了prompt构建的工夫。

当然，这只是一个非常简单的例子，你还能够在prompt template中设置答复的格局，提供具体的例子等等，从而失去更好的回复。

在langchain中创立prompt template

简略点说prompt template就是一个格式化输出的货色。在langchain中，对应的工具类叫做PromptTemplate。

下面的简略例子中，咱们曾经大体看到了如何应用PromptTemplate。

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

在template的字符串中，咱们用括号定义了一个变量。最初调用prompt.format办法，指定变量的名称和值，实现prompt的最终创立。

另外，prompt template中还能够指定多个变量：

template = "请通知我一个对于{personA}的{thingsB}"prompt_template = PromptTemplate.from_template(template)prompt_template.format(personA="小张", thingsB="故事")

只须要在format中指定变量名称即可。

除了是用PromptTemplate.from_template办法之外，咱们还能够间接应用PromptTemplate的构造函数来创立prompt。

PromptTemplate的构造函数能够承受两个参数：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。

比方，咱们能够结构无变量的模板：

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

咱们还能够结构带参数模板：

one_input_prompt = PromptTemplate(input_variables=["stock"], template="如果你是一个金融公司的理财经理，请你剖析一下{stock}这只股票。")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="请通知我一个对于{personA}的{thingsB}")multiple_input_prompt.format(personA="小张", thingsB="故事")

Chat特有的prompt template

之前在介绍langchain的时候有跟大家提到过，chat尽管是基于LLM的，然而和根本的LLM还有有区别的。

最次要的区别在于，chat音讯是不同角色的。比方在openai中，chat音讯就能够被分为AI, human或者system这几种角色。

这样做尽管简单了一点，然而能够更好的对音讯进行分类解决。

咱们看下langchain中对于chat的PromptTemplate有哪些：

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

和一般的prompt template一样，咱们能够调用MessagePromptTemplate的from_template来创立对应的prompt：

template="当初你的角色是{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)

当然你能够通过构造函数来创立prompt：

prompt=PromptTemplate(    template="当初你的角色是{role},请按该角色进行后续的对话.",    input_variables=["role"],)

有了一个或者多个MessagePromptTemplates之后，就能够应用这些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()

总结

好了， 根本的langchain中的prompt template曾经介绍结束。大家去试试看吧。