在LlamaIndex中，提示（prompts）是与语言模型（LLM）交互的关键部分。通过自定义提示，可以更精确地控制模型的输出，以满足特定需求。

什么是prompts

在大语言模型（LLM）中，Prompt指的是模型生成内容时所需要的输入，它可以包含模型生成内容时所需要的背景知识、用户期望模型执行的指令、模型输出需要遵循的格式等。

为什么要用prompts

在我们平常使用大语言模型进行问答时,他回答的内容往往就是他默认的回答格式首先,然后,最后这种,例如想要让大语言模型回答时在开头添加固定开场白,或是结尾添加固定结束词,又或是让他只回答某一方面的问题,跟这个方面不相关的问题不回答等效果,就需要使用prompts来提示或者限制大语言模型的回答内容,特定的回答风格,或者是将大模型水平范围回答限制到垂直范围(回答内容准确性可能不高,高准确性使用外挂数据库更好).

提示词的组成

从图中可以看出,提示词主要由一个任务描述,一个输入文本,输出指示组成.他们会一同发送给大语言模型,而大语言模型就会根据提示词进行回答.

提示词公式=角色+角色技能+任务关键词+任务目标+任务背景+任务范围+任务结果判定+限制条件+输出格式+输出量

实例1

这段代码展示了如何使用LlamaIndex库构建 Prompt 模板。具体来说：

1. 定义 Prompt 模板：通过 PromptTemplate 和 ChatPromptTemplate 创建用于文本生成的提示词。
2. 使用 Prompt 模板：通过 qa_template.format() 和 chat_template.format(topic=topic) 插入上下文信息并生成相应的提示词字符串。
3. 使用 qa_template.format_messages() 和 chat_template.format_messages(topic=topic) 生成 ChatMessage 对象，模拟聊天场景。

from llama_index.core import PromptTemplate
template = (
    "我提供以下上下文信息\n"
    "-------------------\n"
    "{context_str}\n"
    "-------------------\n"
    "给定这个信息，请回答问题：{query_str}\n"
)
qa_template = PromptTemplate(template=template)
# 文本生成场景
context_str = "在阳光明媚的春日午后，小明和小华相约在公园的樱花树下野餐。铺开格子布，摆上三明治和果汁，两人边吃边聊，笑声不断。樱花随风飘落，像粉色的雪花，落在他们的头上和食物上，增添了几分浪漫。小明突然提议玩一个猜谜游戏，小华兴奋地接受了挑战，两人的友谊在这场智力角逐中更加深厚。"
query_str = "谁提出玩游戏的？"
prompt = qa_template.format(context_str=context_str, query_str=query_str)
print(prompt)

我提供以下上下文信息 ------------------- 在阳光明媚的春日午后，小明和小华相约在公园的樱花树下野餐。铺开格子布，摆上三明治和果汁，两人边吃边聊，笑声不断。樱花随风飘落，像粉色的雪花，落在他们的头上和食物上，增添了几分浪漫。小明突然提议玩一个猜谜游戏，小华兴奋地接受了挑战，两人的友谊在这场智力角逐中更加深厚。 ------------------- 给定这个信息，请回答问题：谁提出玩游戏的？

message=qa_template.format_messages(context_str=context_str, query_str=query_str)
print(message)

[ChatMessage (role=, additional_kwargs={}, blocks=[TextBlock (block_type='text', text='我提供以下上下文信息\n-------------------\n 在阳光明媚的春日午后，小明和小华相约在公园的樱花树下野餐。铺开格子布，摆上三明治和果汁，两人边吃边聊，笑声不断。樱花随风飘落，像粉色的雪花，落在他们的头上和食物上，增添了几分浪漫。小明突然提议玩一个猜谜游戏，小华兴奋地接受了挑战，两人的友谊在这场智力角逐中更加深厚。\n-------------------\n 给定这个信息，请回答问题：谁提出玩游戏的？\n')])]

实例2

除了使用 PromptTemplate 外，类似的方法还可以创建 ChatPromptTemplate

from llama_index.core import ChatPromptTemplate
from llama_index.core.llms import ChatMessage,MessageRole
message_template=[
    ChatMessage(content="你是一个说书人",role=MessageRole.SYSTEM),
    ChatMessage(content="给我讲讲{topic}？",role=MessageRole.USER)
]
chat_template=ChatPromptTemplate(message_templates=message_template)
topic="三国演义的空城计"
# 用于文本生成 
prompt=chat_template.format(topic=topic)
print(prompt)
print('----------')
# 用于聊天
message=chat_template.format_messages(topic=topic)
print(message)

system: 你是一个说书人 User: 给我讲讲三国演义的空城计？ Assistant: ---------- [ChatMessage (role=, additional_kwargs={}, blocks=[TextBlock (block_type='text', text='你是一个说书人')]), ChatMessage (role=, additional_kwargs={}, blocks=[TextBlock (block_type='text', text='给我讲讲三国演义的空城计？')])]

实例3

from llama_index.core import PromptTemplate

prompt = PromptTemplate("写一个关于{topic}的笑话")
msg = prompt.format(topic="小明")
print(msg)

实例4

from llama_index.core import PromptTemplate

from llama_index.core.llms import ChatMessage, MessageRole
from llama_index.core import ChatPromptTemplate

chat_text_qa_msgs = [
    ChatMessage(
        role=MessageRole.SYSTEM,
        content="你叫{name}，你必须根据用户提供的上下文回答问题。",
    ),
    ChatMessage(
        role=MessageRole.USER,
        content=(
            "已知上下文：\n"
            "{context}\n\n"
            "问题：{question}"
        )
    ),
]
text_qa_template = ChatPromptTemplate(chat_text_qa_msgs)

print(
    text_qa_template.format(
        name="瓜瓜",
        context="这是一个测试",
        question="这是什么"
    )
)