【langchain手把手2】构造Prompt模版

提示词是模型的输入，通过编写提示词可以和模型进行交互。LangChain中提供了许多模板和函数用于模块化构建提示词。开发者可以：

• 模块化构建：通过模板和函数，LangChain允许用户以模块化的方式构建提示词，这意味着可以重复使用某些构建块来创建新的提示词，从而提高效率和一致性。
• 灵活性：模板可以提供灵活的方法来生成提示词，允许用户根据需要调整和定制提示词，以适应不同的场景和需求。
• 复用性：通过模板，LangChain 允许提示词的复用，这意味着一旦创建了一个有效的提示词模板，它可以被多次用于不同的上下文，而无需从头开始编写。
• 通用模板：这些模板可能用于生成适用于各种模型的通用提示词。
• 聊天提示词模板：专门设计用于聊天机器人或对话系统的模板，这些模板可能包含特定的结构或语言风格，以适应对话交互的特点。
• 调用模型的方式：LangChain可能支持不同的模型调用方式，提示词模板会根据调用方式的不同而有所区别，以确保最佳性能和交互效果。

参考官方API文档：https://api.python.langchain.com/en/latest/core_api_reference.html#module-langchain_core.prompts

示例文档：https://python.langchain.com/v0.1/docs/modules/model_io/prompts/quick_start/

接上一节，依旧以星火模型为例。

#星火认知大模型调用秘钥信息，请前往讯飞开放平台控制台（https://console.xfyun.cn/services/bm35）查看
SPARKAI_APP_ID = '*'
SPARKAI_API_SECRET = '*'
SPARKAI_API_KEY = '*'
#星火认知大模型Spark3.5 Max的URL值，其他版本大模型URL值请前往文档（https://www.xfyun.cn/doc/spark/Web.html）查看
SPARKAI_URL = 'wss://spark-api.xf-yun.com/v1.1/chat'
# SPARKAI_URL = 'wss://spark-api.xf-yun.com/v3.1/chat' # Spark Pro
#星火认知大模型Spark3.5 Max的domain值，其他版本大模型domain值请前往文档（https://www.xfyun.cn/doc/spark/Web.html）查看
SPARKAI_DOMAIN = 'general' # 这里选用星火Lite
# SPARKAI_DOMAIN = 'generalv3' # Spark Pro

Prompt templates可以理解为预先定义好的参数化的prompt，可以动态传入不同的参数值而成为prompt；它是一个模版，可以包含命令、少样本示例、具体上下文和特定的问题。LangChain封装好了很多相关的工具可以让我们方便地使用prompt。

示例1：Use PromptTemplate to create a template for a string prompt.

# Use PromptTemplate to create a template for a string prompt.
from langchain_core.prompts import PromptTemplate

prompt_template = PromptTemplate.from_template(
    "Tell me a {adjective} joke about {content}."
)
prompt_template.format(adjective="funny", content="chickens")

输出

'Tell me a funny joke about chickens.'

示例2：通过ChatPromptTemplate去形成多轮对话

形成Prompt，包含各种角色信息，问题是你的名字叫什么，再隔了一次问答之后看看模型是否能正确回答

# 每条聊天消息都与内容和一个名为role的附加参数相关联。例如，在OpenAI聊天完成API中，聊天消息可以与AI助手、人类或系统角色相关联。
# 以下根据官方代码实现一个多轮对话

from langchain_core.prompts import ChatPromptTemplate

chat_template = ChatPromptTemplate.from_messages(
    [
        # 星火的三个角色是system、human、assistant
        ("system", "You are a helpful AI bot. Your name is {name}."),
        ("human", "Hello, how are you doing?"), # 上轮问题
        ("assistant", "I'm doing well, thanks!"), # 上轮回答
        ("human", "{user_input}")
    ]
)

messages = chat_template.format_messages(name="LLM硬着陆", newName="哈哈", user_input="What is your name?")

print(messages)

输出：

[SystemMessage(content='You are a helpful AI bot. Your name is LLM硬着陆.'), HumanMessage(content='Hello, how are you doing?'), AIMessage(content="I'm doing well, thanks!"), HumanMessage(content='What is your name?')]

引入星火模型进行对话

# 引入星火模型
from langchain_community.chat_models.sparkllm import ChatSparkLLM

chatLLM = ChatSparkLLM(
    api_key=SPARKAI_API_KEY,
    api_secret=SPARKAI_API_SECRET,
    app_id=SPARKAI_APP_ID,
    spark_api_url=SPARKAI_URL, # 默认3.5，这里需要配置一下
    spark_llm_domain=SPARKAI_DOMAIN, # 默认3.5，这里需要配置一下
    top_k=6 # 取值为[1，6]，默认为4，为了每次结果的随机性，这里设成最大
)

chatLLM(messages)

输出

`AIMessage(content='My name is iFLYTEK Spark. How can I assist you today?', response_metadata={'token_usage': {'question_tokens': 5, 'prompt_tokens': 20, 'completion_tokens': 17, 'total_tokens': 37}}, id='run-7665b56a-f4c4-421d-a76e-e0b81f39b808-0')`

发现并没有正确回答，研究对照之后，发现prompt_tokens明显不对，切换到Spark Pro（3.1）/Spark Max（3.5）版本后可以正常回答，结果如下

• Spark Lite：AIMessage(content='My name is iFLYTEK Spark. How can I assist you today?', response_metadata={'token_usage': {'question_tokens': 5, 'prompt_tokens': 20, 'completion_tokens': 17, 'total_tokens': 37}}, id='run-7665b56a-f4c4-421d-a76e-e0b81f39b808-0')
• Spark Pro：AIMessage(content='My name is LLM硬着陆. How may I assist you today?', response_metadata={'token_usage': {'question_tokens': 5, 'prompt_tokens': 35, 'completion_tokens': 15, 'total_tokens': 50}}, id='run-52a592e9-a688-4418-ae1d-206844e21713-0')
• Spark Max：AIMessage(content='My name is LLM硬着陆. How may I assist you today?', response_metadata={'token_usage': {'question_tokens': 5, 'prompt_tokens': 35, 'completion_tokens': 15, 'total_tokens': 50}}, id='run-f3b9bb20-acfc-4b2c-acb3-32c9d1c6e919-0')

Spark Pro和Spark Max都能正常回答问题。可以从结果上看到，Lite的prompt_tokens受到了限制，不支持多轮对话。

这样，通过ChatPromptTemplate就构造了一个多轮会话的Prompt。一个简单的示例，此外通过Prompts能

• 连接特征库
• 自定义propmt模版
• 少样本prompt模版
• 输出模版
• MessagePromptTemplate
• 部分prompt模版
• prompt组合
• prompt序列化
• prompt模版校验

请关注LLM硬着陆公众号，共同学习进步