简介

prompts是大言语模型的输入，他是根据大言语模型运用的利器。没有差的大言语模型，只有差的prompts。

写好prompts才干发挥大言语模型300%的功力。

理论上，要写好prompts其实不是那么容易的，可是langchain把这个理论变成了现实，一起来看看吧。

好的prompt

有时分，不是咱们运用的言语模型不够好，而是由于咱们写的prompt不够优异。

以下是一些写好大言语模型的prompts的几条原则：

  1. 详细和详细：prompts应该具有明晰的问题或使命，同时包括满足的细节和布景信息，以便大言语模型能够了解和答复。

  2. 可了解和可答复：prompts应该明晰明晰，让大言语模型能够了解并且答复。避免运用过于抽象、含糊或带有攻击性的言语。

  3. 有情境和布景：prompts应该包括满足的情境和布景信息，让大言语模型能够了解问题的重要性和含义，并在答复中供给有含义的信息。

  4. 有方针和方向：prompts应该明晰问题或使命的方针和方向，以便大言语模型能够为需求的信息供给明晰和有用的答案。

  5. 可扩展和可定制：prompts应该规划成易于扩展和定制，以习惯不同的运用场景和用户需求。

由于很多时分，在类似的场景中，咱们的prompts的大体结构是相同的，只有详细的细节描绘有所不同，这时分，就需求用到prompt template.

什么是prompt template

prompt template便是一个prompt的模板，经过prompt template，咱们能够快速的生成多个prompt。

根本上prompt template现已帮咱们描绘好了场景，要做的事情。咱们只需求填入详细的内容即可。

下面是一个prompt template的简略比如：

from langchain import PromptTemplate
template = """/
假设你是一个金融公司的理财司理，请你剖析一下{stock}这只股票。
"""
prompt = PromptTemplate.from_template(template)
prompt.format(stock="腾讯控股")
假设你是一个金融公司的理财司理，请你剖析一下腾讯控股这只股票。

这样，关于用户来说，只需求输入需求问询的股票名称即可。其他的一长串文字就不需求了，大大节省了prompt构建的时刻。

当然，这只是一个十分简略的比如，你还能够在prompt template中设置答复的格局，供给详细的比如等等，然后得到更好的回复。

在langchain中创立prompt template

简略点说prompt template便是一个格局化输入的东西。在langchain中，对应的东西类叫做PromptTemplate。

上面的简略比如中，咱们现已大体看到了如何运用PromptTemplate。

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

在template的字符串中，咱们用括号定义了一个变量。终究调用prompt.format办法，指定变量的名称和值，完成prompt的终究创立。

另外，prompt template中还能够指定多个变量：

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")

只需求在format中指定变量名称即可。

除了是用PromptTemplate.from_template办法之外，咱们还能够直接运用PromptTemplate的结构函数来创立prompt。

PromptTemplate的结构函数能够接受两个参数：input_variables和template。

input_variables是template中的变量姓名，它是一个数组。

template便是模板的详细内容，是个字符串。

比如，咱们能够结构无变量的模板：

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

咱们还能够结构带参数模板：

one_input_prompt = PromptTemplate(input_variables=["stock"], template="假设你是一个金融公司的理财司理，请你剖析一下{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的时分有跟大家提到过，chat虽然是根据LLM的，可是和根本的LLM还有有差异的。

最主要的差异在于，chat音讯是不同人物的。比如在openai中，chat音讯就能够被分为AI, human或者system这几种人物。

这样做虽然杂乱了一点，可是能够更好的对音讯进行分类处理。

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

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

和一般的prompt template相同，咱们能够调用MessagePromptTemplate的from_template来创立对应的prompt：

template="现在你的人物是{role},请按该人物进行后续的对话."
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template="{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

当然你能够经过结构函数来创立prompt：

prompt=PromptTemplate(
    template="现在你的人物是{role},请按该人物进行后续的对话.",
    input_variables=["role"],
)

有了一个或者多个MessagePromptTemplates之后，就能够运用这些MessagePromptTemplates来构建ChatPromptTemplate了：

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
chat_prompt.format_prompt(role="医师", text="帮我看看我的颜值还行吗？").to_messages()

总结

好了， 根本的langchain中的prompt template现已介绍结束。大家去试试看吧。