【2024最全最细Langchain教程-3 】Langchain模型I/O之提示Prompt（一）

【2024最全最细Langchain教程-1 】调用openai实现人工智能时代的hello_world-CSDN博客

【2024最全最细Langchain教程-2 】Langchain模型I/O之模型包装器-CSDN博客

        在上一节课中，我们开始使用 response = llm.invoke("") 这个命令开始进行大模型的调用，但是用户的输入可能很复杂、还可能带参数，所以我们要学会使用模板来进行输入内容的组织，因此我们就需要使用Prompt（模板 or  提示）。

        langchain官网是这样解释prompt的： "提示" 指的是模型的输入。这个输入通常不是硬编码的，而是通常由多个组件构成的。我们来看一个最简单的模板

初识模板Prompt

        我们引入了langchain_core.prompts  里面 ChatPromptTemplate 模板，注意我们引入的模型是一个聊天模型包装器ChatOpenAI，因此对应的模板也应该使用ChatPromtTemplate而不是PromtTemplate

import langchain
import os

from langchain_openai import ChatOpenAI

# 引入模板 ChatPromptTemplate
from langchain_core.prompts import ChatPromptTemplate

api_key = os.getenv("OPENAI_API_KEY")

llm = ChatOpenAI(
    openai_api_key=api_key,
    temperature = 0.5,
    base_url = "https://apejhvxcd.cloud.sealos.io/v1"
)



prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个中国历史专家."),
    ("user", "{input}")
])

chain = prompt | llm

chain.invoke({"input":"中国改革开放的总设计师是谁?"})

       运行结果：

在这里，我们实例化了一个ChatPromtTemplate，并使用它的from_messages()方法来接受信息输入。这个方法获取一个List列表，List里有两个元组，第一个元组是system系统消息，这个是对语言模型响应的定义和限制，我们看下面一个示例：

prompt2 = ChatPromptTemplate.from_messages([
    ("system", "你是一个中国历史专家.你只负责回答历史问题，你对历史之外的知识不予以回答"),
    ("user", "{input}")
])

chain2 = prompt2 | llm

chain2.invoke({"input":"python是什么类型的语言?"})

        我们构造了第二个模板，构造了第二个chain2然后进行调用，我们看下运行结果：

        如果我们把system消息置空，再看下效果：

        可以看到是否设置模板提示词里的system消息，所得到的回答差异巨大，这个也是为什么Prompt Engineering 这么火的原因，原因就在于使用不用的Prompt得到的大模型响应完全不同。

GITHUB和视频教学地址

        B站视频地址：【2024最全最细】langchain之prompt提示模板（一）_哔哩哔哩_bilibili

        github地址：https://github.com/jerry1900/jupyter

        如需openai国内节点账号请与我联系：15652965525（微信）