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。
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:
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。
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。
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。
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。
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:
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:
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:
我们还可以构造带参数模板:
还有多个参数的模板:
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:
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:
当然你可以通过构造函数来创建 prompt:
有了一个或者多个 MessagePromptTemplates 之后,就可以使用这些 MessagePromptTemplates 来构建 ChatPromptTemplate 了:
总结
好了, 基本的 langchain 中的 prompt template 已经介绍完毕。大家去试试看吧。
评论