基于LangChain的Prompt模板

标签：Prompt language AI text LangChain input 模板

1. 简述LangChain

LangChain是一个开源库，它致力于让开发基于LLM的AI应用更简单，它是一个AI开发领域的万能适配器。

它抽象化了与大语言模型（如OpenAI模型、文心模型等等）交互的复杂性，以及集成了周边的各种工具生态，让开发者可以专注于实现AI应用的逻辑和功能。LangChain提供了一系列易于使用的工具和抽象，使得与大语言模型的交互变得尽可能的简单明了。

使用之前，先安装LangChain：

pip install langchain

2. LangChain使用OpenAI模型

LangChain与各种AI大模型都做了适配，下面以OpenAI的模型为例，可以简单地通过LangChain来调用它。当然国内使用原生的OpenAI会有些障碍，本文主要使用代理模式，比如https://api.aigc369.com/v1。

2.1、使用OpenAI的接口

from openai import OpenAI

# 实例化OpenAI模型
client = OpenAI(api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
                base_url="https://api.aigc369.com/v1")

# 使用LangChain的接口与模型交互
messages = [
    {
        "role": "system",
        "content": "请你作为我的生活小助手。"
    },
    {
        "role": "user",
        "content": "胳膊上起了红疹子怎么办？"
    }
]
response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages= messages
)
content = response.choices[0].message.content
print(content)

2.2、使用LangChain的接口调用OpenAI的模型

from langchain_openai import ChatOpenAI

# 实例化OpenAI模型
model = ChatOpenAI(model="gpt-3.5-turbo",
                   openai_api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
                   openai_api_base="https://api.aigc369.com/v1")

# 使用LangChain的接口与模型交互
from langchain.schema.messages import HumanMessage, SystemMessage, AIMessage

messages = [
    SystemMessage(content="请你作为我的生活小助手。"),
    HumanMessage(content="胳膊上起了红疹子怎么办？"),
]
response = model.invoke(messages)
print(response.content)

3. 什么是提示词模板

在上一篇《Prompt提示词助力AI写作》里已经聊过Prompt提示词的概念，提示词的主要作用是为了更好的与AI对话，帮助引导AI产生更精确、更相关的文本。所以要尽可能的给AI讲清楚任务、背景、任务等核心要素。

**那Prompt提示词模板是啥呢？**Prompt提示词模板是在LangChain中使用，LangChain 中通过提示模板来构建最终的 Prompt。提示模板是 LangChain 的核心功能之一。

4. 怎么使用提示词模板

设想一下，如果你想让AI帮你把一段中文翻译成多种语言。那你可能要写多条类似的提示词，让AI一个个的去执行任务。或者你想让AI帮你批量的生成一些固定的邮件，只是中间的人名不同，你肯定也不想写多条类似的提示词。

此时使用提示词模板是最合适的。接下来举个例子，让AI将中文按照我们的要求翻译成多种语言：

from langchain_openai import ChatOpenAI
from langchain.prompts import (
    SystemMessagePromptTemplate,
    AIMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

system_template_text = "你是一位专业的翻译，能够将{input_language}翻译成{output_language}。请只输出翻译后的文本，不要有任何其它内容。"
system_prompt_template = SystemMessagePromptTemplate.from_template(system_template_text)

human_template_text = "文本：{text}"
human_prompt_template = HumanMessagePromptTemplate.from_template(human_template_text)

model = ChatOpenAI(model="gpt-3.5-turbo",
                   openai_api_key="sk-BuQK7SGbqCZP2i2z7fF267AeD0004eF095AbC78d2f79E019",
                   openai_api_base="https://api.aigc369.com/v1")

prompt_input_variables = [
    {
        "input_language": "中文",
        "output_language": "英语",
        "text": "我今天去超级买衣服",
    },
    {
        "input_language": "中文",
        "output_language": "法语",
        "text": "我今天去超级买衣服",
    },
    {
        "input_language": "中文",
        "output_language": "俄语",
        "text": "我今天去超级买衣服",
    },
    {
        "input_language": "中文",
        "output_language": "日语",
        "text": "我今天去超级买衣服",
    },
    {
        "input_language": "中文",
        "output_language": "韩语",
        "text": "我今天去超级买衣服",
    },
    {
        "input_language": "中文",
        "output_language": "意大利语",
        "text": "我今天去超级买衣服",
    }
]

for input in prompt_input_variables:
    response = model.invoke([
        system_prompt_template.format(input_language=input["input_language"], output_language=input["output_language"]),
        human_prompt_template.format(text=input["text"])])
    print(response.content)

SystemMessagePromptTemplate代码系统模板，HumanMessagePromptTemplate代表是用户消息模板。{input_language}、{output_language}、{text}是变量，最终通过format方法，替换成实际的值来生成最终的Prompt。最终使用LangChain的大模型类执行Prompt即可。

执行结果如下：

5. 什么是LangChainHub

如果碰到复杂场景，需要模型接入各种工具时，就要写复杂的提示词了，比如类似这样这个链接里的提示词模板。这么复杂的提示词写起来就有点尴尬了，幸好有LangChainHub。https://smith.langchain.com/hub/hwchase17/structured-chat-agent?organizationId=6e7cb68e-d5eb-56c1-8a8a-5a32467e2996。

LangChainHub 是一个围绕 LangChain 生态系统构建的平台。它能够让开发者更轻松地发现、分享和利用其他人创建的工作流、模板和组件。它相当于是一个丰富的社区资源库。

在 LangChainHub，你可以找到：

提示词模板库：这些模板可以帮助你快速开始一个特定任务，比如生成特定格式的文本，或者进行一些复杂的逻辑处理。
可重复使用的流程：如果你有常见的工作流，你可以在LangChainHub上找到现成的流程，或者将你的工作流分享给社区。
最佳实践的共享：在 LangChainHub 上，开发者可以分享他们的经验教训和解决方案，帮助其他开发者避坑。

比如，从 LangChainHub 寻找某个功能的提示词模板，可以直接这样搞：

from langchain import hub
prompt = hub.pull("hwchase17/structured-chat-agent")
print(prompt)

后续再继续详聊LangChainHub。

总结

本文主要聊了LangChain，还聊了如何使用LangChain与OpenAI模型进行提示词模板的交互。希望对你有帮助。

======>>>>>> 关于我 <<<<<<======

本篇完结！欢迎点赞关注收藏！！！

原文链接：http://www.mangod.top/articles/2024/05/22/1716345650148.html、https://mp.weixin.qq.com/s/UoGYedgwkH-jgDncjXg4-g

标签：Prompt,language,AI,text,LangChain,input,模板
From： https://www.cnblogs.com/mangod/p/18205958