LangChain 与大型语言模型集成及 Prompt 模板使用指南

LangChain 的 Prompt 模板

当用户与大型语言模型对话时，用户输入的内容即为 Prompt（提示语）。如果每次需要输入大量内容相似的 Prompt，我们可以使用 Prompt 模板来节省时间。

1. 基础 Prompt 模板

假设我们要让 LLM 担任新开餐馆命名的顾问。用户只需提供餐馆特点，LLM 返回 10 个名字。

from langchain import PromptTemplate

restaurant_template = """
我想让你成为一个给新开餐馆命名的顾问。
给我返回一个餐馆名字的名单。每个餐馆名字要简单、朗朗上口且容易记住。
它应该和你命名的餐馆类型有关。
关于{restaurant_description}这家餐馆好听名字有哪些？
"""

# 创建 Prompt 模板
prompt_template = PromptTemplate(
    input_variables=["restaurant_description"], 
    template=restaurant_template
)

查看模板生成的内容：

description_03 = "一家能看到海景的烤肉店"
print(prompt_template.format(restaurant_description=description_03))

2. 在 LLM 中应用 Prompt 模板

将模板与 LLM 结合使用，形成 Chain（链）。

from langchain.chains import LLMChain

chain = LLMChain(llm=llm, prompt=prompt_template)
print(chain.run("一家以婚纱摄影为主题的汉堡店"))

print(chain.run("一家拉面店，营业员都穿着汉服"))

print(chain.run("一家能看到海景的烤肉店"))

通过上述示例，用户可以方便地创建 Prompt 模板，将重复内容定义在模板中，变化内容定义为变量，从而大幅提高交互效率。

小样本学习（Few-Shot Learning）

有时我们需要给 LLM 少量学习样本，使其学习后能更准确地回答问题。这可以通过 Few-Shot Prompt 模板实现。

1. 定义示例

要求用户每输入一个短语，LLM 输出对应的反义词。

from langchain import PromptTemplate, FewShotPromptTemplate

examples = [
    {"input": "高兴", "output": "悲伤"},
    {"input": "高大", "output": "低矮"},
]

2. 创建模板对象

example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template="\n输入：{input}\n输出：{output}\n",
)

3. 创建 Few-Shot 模板

• 前缀变量：附加在 Prompt 之前，是对 LLM 的指令。
• 后缀变量：附加在 Prompt 之后，通常是用户输入位置。

few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    input_variables=["input"],
    prefix="给出每个输入词语的反义词",
    suffix="输入：{input}\n输出:",
    example_separator="\n",
)

print(few_shot_prompt.format(input="快乐"))

4. 在 LLM 中应用小样本提示语

from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=few_shot_prompt)
print(chain.run("快乐"))

尽管故意刁难 LLM 询问成语'东窗事发'的反义词，LLM 也能尝试生成符合格式的回答，证明了其对小样本的学习能力。

最佳实践与安全建议

在使用 LangChain 和 Prompt 模板时，建议遵循以下最佳实践：

1. API 密钥安全：切勿将 API Key 硬编码在代码中。应使用环境变量或密钥管理服务。
2. Prompt 清晰性：指令应明确具体，避免歧义。对于复杂任务，可引入思维链（Chain of Thought）引导模型分步思考。
3. 温度参数调整：temperature 控制随机性。创造性任务可调高（如 0.7-0.9），事实性任务应调低（如 0.1-0.3）。
4. 上下文管理：注意 Token 限制，长对话需合理截断或总结历史消息。
5. 错误处理：网络请求可能失败，代码中应包含重试机制和异常捕获。

总结

本文学习了 LangChain 与 OpenAI 及 Google LLM 的集成方法，掌握了 Prompt 模板和小样本模板的使用技巧。通过定义变量和示例，用户可以高效构建提示语，显著提升与 LLM 交互的效率和质量。在实际开发中，结合安全规范与最佳实践，能够构建出更加稳健的智能应用。