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：

1. 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。

2. 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。

3. 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。

4. 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。

5. 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：

from langchain import PromptTemplate

template = """/假如你是一个金融公司的理财经理，请你分析一下{stock}这只股票。"""
prompt = PromptTemplate.from_template(template)prompt.format(stock="腾讯控股")
假如你是一个金融公司的理财经理，请你分析一下腾讯控股这只股票。

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：

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：

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

我们还可以构造带参数模板：

one_input_prompt = PromptTemplate(input_variables=["stock"], template="假如你是一个金融公司的理财经理，请你分析一下{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：

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

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：

template="现在你的角色是{role},请按该角色进行后续的对话."system_message_prompt = SystemMessagePromptTemplate.from_template(template)human_template="{text}"human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

当然你可以通过构造函数来创建 prompt：

prompt=PromptTemplate(    template="现在你的角色是{role},请按该角色进行后续的对话.",    input_variables=["role"],)

有了一个或者多个 MessagePromptTemplates 之后，就可以使用这些 MessagePromptTemplates 来构建 ChatPromptTemplate 了：

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

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。