LangChain学习文档
- 【LangChain】向量存储(Vector stores)
- 【LangChain】向量存储之FAISS
- 【LangChain】Prompts之Prompt templates
Prompts
编程模型的新方法是通过提示(prompts
)。prompts
是指模型的输入。该输入通常由多个组件构成。 LangChain 提供了多个类和函数,使构建和使用prompts
变得容易。
- Prompt templates(提示模板): 参数化模型输入
- Example selectors(选择器示例): 动态选择要包含在提示中的示例
prompt 翻译:提示
Prompt templates
语言模型将文本作为输入 - 该文本通常称为prompt
。
通常,这不仅仅是一个硬编码字符串,而是模板、一些示例和用户输入的组合。
LangChain 提供了多个类和函数,使构建和使用prompts
变得容易。
什么是提示模板?(What is a prompt template?)
prompt template
是指生成提示的可重复的方式。它包含一个文本字符串(“模板”),可以接收来自最终用户的一组参数并生成提示。
提示模板包含:
- 对语言模型的指令,
- 一组几个镜头示例来帮助语言模型生成更好的响应,
- 对语言模型的一个问题。
这是最简单的例子:
from langchain import PromptTemplate
template = """\
您是新公司的命名顾问。
生产{product}的公司起什么好名字?
"""
prompt = PromptTemplate.from_template(template)
prompt.format(product="彩色袜子")
结果:
您是新公司的命名顾问。
一家生产彩色袜子的公司起什么名字好呢?
创建提示模板(Create a prompt template)
您可以使用 PromptTemplate
类创建简单的硬编码提示。提示模板可以采用任意数量的输入变量,并且可以格式化以生成提示。
from langchain import PromptTemplate
# 没有输入变量的示例提示
no_input_prompt = PromptTemplate(input_variables=[], template="给我讲个笑话。")
no_input_prompt.format()
# -> "给我讲个笑话。"
# 带有一个输入变量的示例提示
one_input_prompt = PromptTemplate(input_variables=["adjective"], template="给我讲一个{adjective}笑话。")
one_input_prompt.format(adjective="有趣")
# -> "给我讲一个有趣的笑话。"
# 具有多个输入变量的示例提示
multiple_input_prompt = PromptTemplate(
input_variables=["adjective", "content"],
template="给我讲一个关于{content}的{adjective}笑话。"
)
multiple_input_prompt.format(adjective="funny", content="chickens")
# -> "给我讲一个关于鸡的有趣笑话。"
如果您不想手动指定 input_variables
,您还可以使用 from_template 类
方法创建 PromptTemplate
。 langchain 将根据传递的模板自动推断 input_variables
。
template = "给我讲一个关于{content}的{adjective}笑话。"
prompt_template = PromptTemplate.from_template(template)
prompt_template.input_variables
# -> ['adjective', 'content']
prompt_template.format(adjective="funny", content="chickens")
# -> 给我讲一个关于鸡的有趣笑话。
您可以创建自定义提示模板,以您想要的任何方式格式化提示。有关更多信息,请参阅自定义提示模板。
聊天提示模板(Chat prompt template)
聊天模型将聊天消息列表作为输入 - 该列表通常称为提示(prompt
)。这些聊天消息与原始字符串(您将传递到 LLM
模型中)不同,因为每条消息都与一个角色关联。
例如,在 OpenAI
的Chat Completion API中,聊天消息可以与 AI、人类或系统
角色相关联。该模型会更紧密地遵循系统聊天消息的指令。
LangChain
提供了多种提示模板,可以轻松构建和使用提示。官方鼓励在查询聊天模型时使用这些聊天相关的提示模板而不是 PromptTemplate
,以充分利用底层聊天模型的潜力。
from langchain.prompts import (
ChatPromptTemplate,
PromptTemplate,
SystemMessagePromptTemplate,
AIMessagePromptTemplate,
HumanMessagePromptTemplate,
)
from langchain.schema import (
AIMessage,
HumanMessage,
SystemMessage
)
要创建与角色关联的消息模板,请使用 MessagePromptTemplate
。
为了方便起见,模板上公开了一个 from_template
方法。如果您要使用此模板,它将如下所示:
template="您是将 {input_language} 翻译成 {output_language} 的得力助手。"
# 创建角色:系统的模板
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template="{text}"
# 创建角色:人类的模板
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
如果你想更直接地构造MessagePromptTemplate
,你也可以在外部创建一个PromptTemplate
,然后将其传入,例如:
# 创建一个常规的模板
prompt=PromptTemplate(
template="您是将 {input_language} 翻译成 {output_language} 的得力助手。",
input_variables=["input_language", "output_language"],
)
# 再创建一个角色:系统 的模板
system_message_prompt_2 = SystemMessagePromptTemplate(prompt=prompt)
# 判断和之前创建的是否一样
assert system_message_prompt == system_message_prompt_2
之后,您可以从一个或多个 MessagePromptTemplate
构建 ChatPromptTemplate
。
我们可以使用 ChatPromptTemplate
的 format_prompt
——这会返回一个 PromptValue
,您可以将其转换为字符串或 Message
对象,具体取决于您是否想要使用格式化值作为 llm
或聊天模型的输入。
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
# 从格式化消息中获取聊天完成信息
chat_prompt.format_prompt(input_language="English", output_language="French", text="I love programming.").to_messages()
结果:
[SystemMessage(content='You are a helpful assistant that translates English to French.', additional_kwargs={}),
HumanMessage(content='I love programming.', additional_kwargs={})]
总结
本篇主要讲述:
- 如何创建模板提示:
方式一:PromptTemplate(input_variables=[], template="Tell me a joke.")
方式二:template = "Tell me a {adjective} joke about {content}." prompt_template = PromptTemplate.from_template(template)
,这种不用写input_variables
。
- 如何创建
messageTemplate
,我们常常需要与角色相关联:
角色有:
- AI(AIMessagePromptTemplate)、
- 人类(HumanMessagePromptTemplate)、
- 系统(SystemMessagePromptTemplate)。
最后利用ChatPromptTemplate.from_messages(xxx)
方法,整合这些角色,就构造出了,聊天机器人。文章来源:https://www.toymoban.com/news/detail-625019.html
总结
https://python.langchain.com/docs/modules/model_io/prompts/prompt_templates/文章来源地址https://www.toymoban.com/news/detail-625019.html
到了这里,关于【LangChain】Prompts之Prompt templates的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!