Langchain:Prompt在手,天下我有

简介： 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。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。

简介

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。

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

有时候，不是我们使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：

1. 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。

2. 可理解和可回答：prompts应该明确清晰，让大语言模型能够理解并且回答。避免使用过于抽象、模糊或带有攻击性的语言。

3. 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，并在回答中提供有意义的信息。

4. 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要的信息提供清晰和有用的答案。

5. 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。

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，就需要用到prompt template.

什么是prompt template

prompt template就是一个prompt的模板，通过prompt template，我们可以快速的生成多个prompt。

基本上prompt template已经帮我们描述好了场景，要做的事情。我们只需要填入具体的内容即可。

下面是一个prompt template的简单例子：

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

这样，对于用户来说，只需要输入需要问询的股票名称即可。其他的一长串文字就不需要了，大大节省了prompt构建的时间。

当然，这只是一个非常简单的例子，你还可以在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中创建prompt template

简单点说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。

上面的简单例子中，我们已经大体看到了如何使用PromptTemplate。

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

在template的字符串中，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的最终创建。

另外，prompt template中还可以指定多个变量：

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")

只需要在format中指定变量名称即可。

除了是用PromptTemplate.from_template方法之外，我们还可以直接使用PromptTemplate的构造函数来创建prompt。

PromptTemplate的构造函数可以接受两个参数：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。

比如，我们可以构造无变量的模板：

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

我们还可以构造带参数模板：

one_input_prompt = PromptTemplate(input_variables=["stock"], template="假如你是一个金融公司的理财经理，请你分析一下{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

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

最主要的区别在于，chat消息是不同角色的。比如在openai中，chat消息就可以被分为AI, human或者system这几种角色。

这样做虽然复杂了一点，但是可以更好的对消息进行分类处理。

我们看下langchain中关于chat的PromptTemplate有哪些：

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

和普通的prompt template一样，我们可以调用MessagePromptTemplate的from_template来创建对应的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)

当然你可以通过构造函数来创建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"],
)

有了一个或者多个MessagePromptTemplates之后，就可以使用这些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， 基本的langchain中的prompt template已经介绍完毕。

如何系统的去学习AI大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​