2025-09-13 langchain学习-05 few-shot提示词模板

原创

用户11830194

修改于 2025-09-13 13:56:48

3270

文章被收录于专栏：langchainlangchain

什么是few-shot提示词模板

few-shot提示词模板就是在你向大模型提出一个问题，但是由于下面几种原因：

1.回复的格式有严格要求：例如需要返回json格式的数据
2.问题复杂，需要按照模板格式化输出
3.需要大模型模仿某种语气或风格进行回复

时，在提示词中插入一些例子供大模型学习

具体来看代码

from langchain.prompts import PromptTemplate,FewShotPromptTemplate

"""
下面是例子，一个字典列表，每个字典是一个输入输出对
"""
examples=[
    {"input": "这电影太棒了，我看得热血沸腾！", "output": "正面"},
    {"input": "等了两个小时，结果菜还是凉的。", "output": "负面"},
    {"input": "今天的天气是晴天。", "output": "中性"},
    {"input": "演员的演技很到位，但剧情实在太拖沓了。", "output": "负面"},
]
"""
示例格式化器example_prompt
"""
#首先给出每个例子的模板
example_template="""
    用户输入：{input}
    AI回复：{output}
"""
#然后将其放入提示词模板中
example_prompt=PromptTemplate(
    input_variables=["input","output"],
    template=example_template
)

"""
使用FewShotPromptTemplate将他们组装起来，
由例子字典列表、示例格式化器、前缀（系统提示词）、后缀（用户输入和AI回复的开头）、告诉大模型用户输入的是什么、例子分隔组成
"""

few_shot_prompt_template=FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="你是一个专业的情感分析专家，可以根据用户的输入判断其情感倾向",
    suffix="用户输入：{user_input}\nAI回复：",
    input_variables=["user_input"],
    example_separator="\n\n"
)

user_ques="今天天气太好了"
prompt=few_shot_prompt_template.format(user_input=user_ques)

print(prompt)

输出如下：

但是如果示例非常多，全放入提示词中会消耗大量token，我们可以使用示例选择器example_selector，最常用的选择器是长基选择器LengthBasedExampleSelector

使用方法也很简单，导入包，按照上面的方法定义好例子字典列表、示例格式化器后，定义一个长基示例选择器，将例子、格式化器、限长值传入其中，最后组合成few-shot提示词模板时，将原本的examples替换成example_selector即可，具体请看代码

from langchain.prompts import PromptTemplate,FewShotPromptTemplate
from langchain.prompts.example_selector import LengthBasedExampleSelector

"""
下面是例子，一个字典列表，每个字典是一个输入输出对
"""
examples=[
    {"input": "这电影太棒了，我看得热血沸腾！", "output": "正面"},
    {"input": "等了两个小时，结果菜还是凉的。", "output": "负面"},
    {"input": "今天的天气是晴天。", "output": "中性"},
    {"input": "演员的演技很到位，但剧情实在太拖沓了。", "output": "负面"},
]
"""
示例格式化器example_prompt
"""
#首先给出每个例子的模板
example_template="""
    用户输入：{input}
    AI回复：{output}
"""
#然后将其放入提示词模板中
example_prompt=PromptTemplate(
    input_variables=["input","output"],
    template=example_template
)

"""
创建示例选择器
"""
example_selector=LengthBasedExampleSelector(
  examples=examples,
  example_prompt=example_prompt,
  max_length=15
)

"""
使用FewShotPromptTemplate将他们组装起来，
由例子字典列表、示例格式化器、前缀（系统提示词）、后缀（用户输入和AI回复的开头）、告诉大模型用户输入的是什么、例子分隔组成
"""

few_shot_prompt_template=FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    prefix="你是一个专业的情感分析专家，可以根据用户的输入判断其情感倾向",
    suffix="用户输入：{user_input}\nAI回复：",
    input_variables=["user_input"],
    example_separator="\n\n"
)

user_ques="今天天气太好了"
prompt=few_shot_prompt_template.format(user_input=user_ques)

print(prompt)

除了长基选择器以外，还有基于最大余弦相似度的选择器和N-gram选择器，下面分别做介绍

1、最大余弦相似度选择器MaxMarginalRelevanceExampleSelector

这个选择器能够选出既在语义上与新问题相似，而示例之间内容重复度低的示例

需要的包有

pip install faiss-cup sentence-transforms langchain_community

除此之外，还需要去Huggingface上下载一个用来做向量嵌入的模型bge-lange-zh-v1.5

做完上述准备工作就可以开始写最大余弦相似度选择器了

#首先配置好嵌入模型
model_path="这里填入bge-large-zh-v1.5的路径"
embeddings=HuggingFaceEmbeddings(model_name=model_path)

#创建最大余弦相似度选择器,将示例字典列表，嵌入模型，计算模块Faiss,需要的示例数作为参数传入
example_selector=MaxMarginalRelevanceExampleSelector.from_examples(
    examples,
    embeddings,
    Faiss,
    k=1
)

写好之后直接替换上面的few-shot-prompt-template中的example_selector即可

2、N-gram重叠选择器

N-gram重叠选择器只看表面，而不去理解语义，重叠的内容越多，被选出来的可能性越大

需要的包有

pip install nltk

导入必要的包后就可以写N-gram选择器了

example_selector=NGramOverlapExampleSelector(
    examples=examples,
    examples_prompt=examples_prompt,
    threshold=-1
)

同样替换上面的选择器即可

这里的阈值，若是-1，则按重叠分数给示例排序，从上到下分数递减：

若是大于1：排除所有示例，返回一个空列表

若是等于0：排除没有重叠内容的示例

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

LLM

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

LLM

登录后参与评论

0 条评论

热度