LangChain：Prompt Templates介绍及应用

❤️觉得内容不错的话，欢迎点赞收藏加关注，后续会继续输入更多优质内容❤️
有问题欢迎大家加关注私戳或者评论（包括但不限于NLP算法相关，linux学习相关，读研读博相关……）

（封面图由文心一格生成）

LangChain：Prompt Templates介绍及应用

在自然语言生成任务中，生成高质量的文本是非常困难的，尤其是当需要针对不同的主题、情境、问题或任务进行文本生成时，需要花费大量的时间和精力去设计、调试和优化模型，而这种方式并不是高效的解决方案。因此，Prompt Templates技术应运而生，可以大大降低模型设计、调试和优化的成本。

Prompt Templates是一种可复制的生成Prompt的方式，它包含一个文本字符串，可以接受来自终端用户的一组参数并生成Prompt。Prompt Templates可以包含指令、少量示例和一个向语言模型提出的问题。我们可以使用Prompt Templates技术来指导语言模型生成更高质量的文本，从而更好地完成我们的任务。

在这篇博客中，我们将学习：

什么是Prompt Templates以及为什么需要它
如何创建Prompt Templates
如何传递few-shot examples给Prompt Templates
如何为Prompt Templates选择examples

什么是Prompt Templates？

Prompt Templates是一种可复制的生成Prompt的方式，它包含一个文本字符串，可以接受来自终端用户的一组参数并生成Prompt。Prompt Templates可以包含指令、少量示例和一个向语言模型提出的问题。Prompt Templates可以帮助我们指导语言模型生成更高质量的文本，从而更好地完成我们的任务。

Prompt Templates可以包含以下内容：

Prompt Templates可能包含：

• 对语言模型的指令
• 一组few-shot examples，以帮助语言模型生成更好的响应
• 对语言模型的问题

下面的代码段包含Prompt Template的一个示例：

from langchain import PromptTemplatefrom langchain import PromptTemplatetemplate = """I want you to act as a naming consultant for new companies.Here are some examples of good company names:- search engine, Google- social media, Facebook- video sharing, YouTubeThe name should be short, catchy and easy to remember.What is a good name for a company that makes {product}" />prompt = PromptTemplate(input_variables=["product"],template=template,)

创建Prompt Templates

你可以使用PromptTemplate类创建简单的硬编码提示。Prompt Templates可以采用任何数量的输入变量，并且可以进行格式化以生成提示。

from langchain import PromptTemplate# 没有输入变量的示例promptno_input_prompt = PromptTemplate(input_variables=[], template="给我讲个笑话。")no_input_prompt.format()# -> "给我讲个笑话。"# 一个有一个输入变量的示例promptone_input_prompt = PromptTemplate(input_variables=["adjective"], template="告诉我一个{adjective}笑话。")one_input_prompt.format(adjective="好笑的")# -> "告诉我一个好笑的笑话。"# 一个有多个输入变量的示例promptmultiple_input_prompt = PromptTemplate(input_variables=["adjective", "content"], template="告诉我一个{adjective}关于{content}的笑话。")multiple_input_prompt.format(adjective="好笑的", content="小鸡")# -> "告诉我一个好笑的关于小鸡的笑话。"

从LangChainHub加载Prompt Templates

LangChainHub包含了许多可以通过LangChain直接加载的Prompt Templates。

from langchain.prompts import load_promptprompt = load_prompt("lc://prompts/conversation/prompt.json")prompt.format(history="", input="What is 1 + 1?")

传递few-shot examples给Prompt Templates

Few-shot examples是一组可用于帮助语言模型生成更好响应的示例。

要生成具有few-shot examples的prompt，可以使用FewShotPromptTemplate。该类接受一个PromptTemplate和一组few-shot examples。然后，它使用这些few-shot examples格式化prompt模板。

在这个示例中，我们将创建一个用于生成单词反义词的提示。

from langchain import PromptTemplate, FewShotPromptTemplate# First, create the list of few shot examples.examples = [{"word": "happy", "antonym": "sad"},{"word": "tall", "antonym": "short"},]# Next, we specify the template to format the examples we have provided.# We use the `PromptTemplate` class for this.example_formatter_template = """Word: {word}Antonym: {antonym}\n"""example_prompt = PromptTemplate(input_variables=["word", "antonym"],template=example_formatter_template,)# Finally, we create the `FewShotPromptTemplate` object.few_shot_prompt = FewShotPromptTemplate(# These are the examples we want to insert into the prompt.examples=examples,# This is how we want to format the examples when we insert them into the prompt.example_prompt=example_prompt,# The prefix is some text that goes before the examples in the prompt.# Usually, this consists of intructions.prefix="Give the antonym of every input",# The suffix is some text that goes after the examples in the prompt.# Usually, this is where the user input will gosuffix="Word: {input}\nAntonym:",# The input variables are the variables that the overall prompt expects.input_variables=["input"],# The example_separator is the string we will use to join the prefix, examples, and suffix together with.example_separator="\n\n",)# We can now generate a prompt using the `format` method.print(few_shot_prompt.format(input="big"))# -> Give the antonym of every input# -> # -> Word: happy# -> Antonym: sad# -># -> Word: tall# -> Antonym: short# -># -> Word: big# -> Antonym:

为Prompt Templates选择examples

如果你有大量的示例，则可以使用ExampleSelector来选择最有信息量的一些示例，以帮助你生成更可能产生良好响应的提示。

接下来，我们将使用LengthBasedExampleSelector，根据输入的长度选择示例。当你担心构造的提示将超过上下文窗口的长度时，此方法非常有用。对于较长的输入，它会选择包含较少示例的提示，而对于较短的输入，它会选择包含更多示例。

from langchain.prompts.example_selector import LengthBasedExampleSelector# These are a lot of examples of a pretend task of creating antonyms.examples = [{"word": "happy", "antonym": "sad"},{"word": "tall", "antonym": "short"},{"word": "energetic", "antonym": "lethargic"},{"word": "sunny", "antonym": "gloomy"},{"word": "windy", "antonym": "calm"},]# We'll use the `LengthBasedExampleSelector` to select the examples.example_selector = LengthBasedExampleSelector(# These are the examples is has available to choose from.examples=examples, # This is the PromptTemplate being used to format the examples.example_prompt=example_prompt, # This is the maximum length that the formatted examples should be.# Length is measured by the get_text_length function below.max_length=25,)# We can now use the `example_selector` to create a `FewShotPromptTemplate`.dynamic_prompt = FewShotPromptTemplate(# We provide an ExampleSelector instead of examples.example_selector=example_selector,example_prompt=example_prompt,prefix="Give the antonym of every input",suffix="Word: {input}\nAntonym:",input_variables=["input"],example_separator="\n\n",)# We can now generate a prompt using the `format` method.print(dynamic_prompt.format(input="big"))# -> Give the antonym of every input# -># -> Word: happy# -> Antonym: sad# -># -> Word: tall# -> Antonym: short# -># -> Word: energetic# -> Antonym: lethargic# -># -> Word: sunny# -> Antonym: gloomy# -># -> Word: windy# -> Antonym: calm# -># -> Word: big# -> Antonym:

相比之下，如果我们提供了一个非常长的输入，则LengthBasedExampleSelector将选择较少的示例包含在提示中。

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(input=long_string))# -> Give the antonym of every input# -> Word: happy# -> Antonym: sad# -># -> Word: big and huge and massive and large and gigantic and tall and much much much much much bigger than everything else# -> Antonym:

❤️觉得内容不错的话，欢迎点赞收藏加关注，后续会继续输入更多优质内容❤️
有问题欢迎大家加关注私戳或者评论（包括但不限于NLP算法相关，linux学习相关，读研读博相关……）