阅读量:6
文章目录
一、概述
本指南介绍了如何使用示例输入和输出提示 chat model。为模型提供几个这样的例子被称为 few-shotting，这是一种简单而强大的方法来指导生成，在某些情况下可以大大提高模型性能。
对于如何最好地进行 few-shot 提示，似乎没有达成一致意见，最佳提示编译可能会因模型而异。因此，langchain 提供 few-shot 提示模板，如 FewShotChatMessagePromptTemplate，作为一个灵活的起点，我们可以根据需要修改或替换它们。
few-shot 提示模板的目标是根据输入动态选择示例，然后在最终提示中格式化示例以提供模型。
注意，以下代码示例仅适用于 chat model，因为 FewShotChatMessagePromptTemplates 旨在输出格式化的 chat message，而不是纯字符串。
二、固定示例 Fixed Example
最基本 (也是最常见) 的 few-shot 提示技术是使用 固定提示示例。通过这种方式，您可以选择一条链，对其进行评估，并避免在生产中担心额外的 moving parts。
模板的基本组件包括：
- examples：要包含在最终提示中的词典示例列表。
- example_prompt：通过其 format_messages 方法将每个示例转换为 1条或多条 消息。一个常见的例子是将每个示例转换为一条 human message 和一条 AI message 响应，或者一条 human message 后跟一条 function call message。
下面是一个简单的演示。首先，定义要包含的示例。让我们给 LLM 一个不熟悉的数学运算符，用“🦜”表情符号。如果我们尝试问模型，该运算的结果是什么，这将会失败：
from langchain_openai import ChatOpenAI model = ChatOpenAI(model="gpt-3.5-turbo-0125", temperature=0.0) model.invoke("What is 2 🦜 9?") """ AIMessage(content='The expression "2 🦜 9" is not a standard mathematical operation or equation. It appears to be a combination of the number 2 and the parrot emoji 🦜 followed by the number 9. It does not have a specific mathematical meaning.', response_metadata={'token_usage': {'completion_tokens': 54, 'prompt_tokens': 17, 'total_tokens': 71}, 'model_name': 'gpt-3.5-turbo-0125', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-aad12dda-5c47-4a1e-9949-6fe94e03242a-0', usage_metadata={'input_tokens': 17, 'output_tokens': 54, 'total_tokens': 71}) """ 现在让我们看看如果我们给LLM一些例子来使用会发生什么。我们将在下面定义一些：
from langchain_core.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate examples = [ {"input": "2 🦜 2", "output": "4"}, {"input": "2 🦜 3", "output": "5"}, ] 接下来，将它们组装到 few-shot 提示模板中。
# This is a prompt template used to format each individual example. example_prompt = ChatPromptTemplate.from_messages( [ ("human", "{input}"), ("ai", "{output}"), ] ) few_shot_prompt = FewShotChatMessagePromptTemplate( example_prompt=example_prompt, examples=examples, ) print(few_shot_prompt.invoke({}).to_messages()) """ [HumanMessage(content='2 🦜 2'), AIMessage(content='4'), HumanMessage(content='2 🦜 3'), AIMessage(content='5')] """ 最后，我们组装如下所示的最终提示，将 few_shot_prompt 直接传递给 from_messages 工厂方法，并将其与模型一起使用：
final_prompt = ChatPromptTemplate.from_messages( [ ("system", "You are a wondrous wizard of math."), few_shot_prompt, ("human", "{input}"), ] ) 现在让我们问模型最初的问题，看看它是如何做到的：
from langchain_openai import ChatOpenAI chain = final_prompt | model chain.invoke({"input": "What is 2 🦜 9?"}) """ AIMessage(content='11', response_metadata={'token_usage': {'completion_tokens': 1, 'prompt_tokens': 60, 'total_tokens': 61}, 'model_name': 'gpt-3.5-turbo-0125', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-5ec4e051-262f-408e-ad00-3f2ebeb561c3-0', usage_metadata={'input_tokens': 60, 'output_tokens': 1, 'total_tokens': 61}) """ 我们可以看到，模型现在已经从给定的几个热门例子中推断出鹦鹉表情符号意味着添加！
