创建和使用提示模板

与大型语言模型进行交互，通常需要向它们发送精心编写的文本，这些文本被称为提示（prompts）。虽然你可以在 Python 代码中直接将这些提示写成字符串，但随着应用程序复杂度的增加，这种方式很快就会变得繁琐且难以管理。想象一下，如果每次都需要相同的基本指令格式，但输入不同，那么硬编码这些变体将导致重复，并使更新变得困难。

LangChain 通过**提示模板（Prompt Templates）**为这个问题提供了一个简洁的解决方案。提示模板本质上是一种预设的、用于生成提示的方法。它包含一个带有占位符的文本字符串，这些占位符用于稍后填充动态值。这使你能够将提示的固定结构与可变部分分离，从而提高可复用性和可维护性。

定义一个简单的提示模板

LangChain 中处理基于文本的提示的主要类是 PromptTemplate。让我们看看如何使用它。

首先，你需要导入该类：

from langchain.prompts import PromptTemplate

接下来，定义你的模板字符串。使用花括号 {} 表示稍后将插入变量的占位符。让我们创建一个模板，用于根据产品名称及其特性生成产品描述摘要：

template_string = """
总结产品“{product_name}”的主要特性。
关注以下方面：{features}。
提供一份适合电商列表的简洁摘要。
"""

现在，创建一个 PromptTemplate 实例。你需要提供两个主要参数 (parameter)：

1. input_variables：一个字符串列表，指定模板字符串中使用的变量名称（不带花括号）。
2. template：模板字符串本身。

prompt_template = PromptTemplate(
    input_variables=["product_name", "features"],
    template=template_string
)

print(prompt_template)

这将输出关于模板对象的信息，确认它期望的输入变量并呈现模板结构。

格式化提示

一旦你有了 PromptTemplate 对象，就可以通过为输入变量提供值来生成一个完整的提示字符串。这可以通过使用 .format() 方法并以关键字参数 (parameter)的形式传递值来完成：

# 定义此实例的具体值
product = "Quantum Laptop X"
product_features = "16-inch OLED display, 12-core CPU, 32GB RAM, 1TB SSD, 20-hour battery life"

# 格式化提示
formatted_prompt = prompt_template.format(product_name=product, features=product_features)

print(formatted_prompt)

输出将是完整格式化的提示字符串，已准备好发送给 LLM：

总结产品“Quantum Laptop X”的主要特性。
关注以下方面：16英寸 OLED 显示屏、12核 CPU、32GB 内存、1TB SSD、20小时电池续航。
提供一份适合电商列表的简洁摘要。

为什么要使用提示模板？

使用 PromptTemplate 相对于手动构建提示字符串具有以下几个优点：

• 可复用性： 定义一个模板一次，然后用不同的输入重复使用它。
• 一致性： 确保所有从模板生成的提示都遵循完全相同的结构和指令，这对于从 LLM 获取可靠的输出很重要。
• 可维护性： 如果你需要更改提示的指令或结构，只需在一个地方更新模板即可。
• 清晰性： 将静态提示指令与动态数据分离，使你的代码更易于阅读和理解。
• 参数 (parameter)化： 明确定义提示的哪些部分是可变的，从而减少插入数据时出错的可能性。

与 LangChain 模型集成

虽然我们一直专注于创建和格式化模板，但最终目标是将这个格式化的提示与 LLM 一起使用。如前所述，LangChain 为各种语言模型（如 LLM 或 ChatModel 包装器）提供了接口。一个 PromptTemplate 对象可以顺畅地融入这些工作流程中。

这是一个简化示例，展示了格式化提示的典型用法（假设你已有一个名为 llm 的 LLM 对象，并已按“核心理念”章节所述配置好）：

# 假设 'llm' 是一个已初始化的 LangChain LLM 接口
# from langchain_openai import OpenAI # 示例导入
# llm = OpenAI(api_key="YOUR_API_KEY") # 示例初始化

# 1. 定义模板
template_string = "将以下英文文本翻译成法语：{english_text}"
prompt_template = PromptTemplate(
    input_variables=["english_text"],
    template=template_string
)

# 2. 使用特定输入格式化提示
formatted_prompt = prompt_template.format(english_text="Hello, how are you?")

# 3. 将格式化提示发送给 LLM
# response = llm.invoke(formatted_prompt) # 适用于较新 LangChain 版本的 invoke 方法

# print(response)
# 预期输出可能为：“Bonjour, comment ça va ？”

这种结构，即模板格式化输入，然后将输入传递给模型，是构建更复杂序列的根本，这些序列被称为链（Chains），我们将在下一章中介绍它们。

有效模板设计的建议

创建好的提示模板既是艺术也是科学。以下是一些指导原则：

• 明确具体： 清晰说明你希望 LLM 执行的任务。避免模棱两可。
• 提供背景信息： 如果有必要，为 LLM 提供背景信息或定义一个角色（例如，“你是一个擅长技术写作的有用助手。”）。
• 结构化指令： 如果有助于说明多部分指令，可以在模板内使用项目符号或编号列表等格式。
• 引导输出格式： 如果你需要特定格式的输出（如 JSON 或列表），请在模板中明确要求。输出解析器（稍后会讲到）可以帮助规范化这一点。
• 迭代改进： 不要期望你的第一个模板是完美的。进行实验，用不同的输入测试输出，并根据结果改进模板。

掌握提示模板是有效使用 LangChain 的一个重要步骤。它们提供了可靠指导 LLM 所需的结构，是创建复杂应用程序的一个构成部分。