黑马大模型RAG与Agent智能体实战教程LangChain提示词——14、RAG开发——LangChain通用提示词模板类PromptTemplate.from_template、zero-shot
"""通用提示词模板（PromptTemplate）用法示例本示例对应课件中的两段代码：1）标准写法（先生成提示词文本，再喂给模型）："我的邻居姓{lastname}，刚生了{gender}，帮忙起名字，请简略回答。
教程：https://www.bilibili.com/video/BV1yjz5BLEoY
代码：https://github.com/shangxiang0907/HeiMa-AI-LLM-RAG-Agent-Dev
文章目录
RAG开发-11、LangChain通用提示词模板
介绍
→提示词：根据图中内容，帮我创建代码16，介绍通用提示词模板用法@AI_LLM_RAG_Agent_Dev
←AI回复
16_LangChain_PromptTemplate_Tongyi.py
"""
通用提示词模板（PromptTemplate）用法示例
本示例对应课件中的两段代码：
1）标准写法（先生成提示词文本，再喂给模型）：
from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi
prompt_template = PromptTemplate.from_template(
"我的邻居姓{lastname}，刚生了{gender}，帮忙起名字，请简略回答。"
)
prompt_text = prompt_template.format(lastname="张", gender="女儿")
model = Tongyi(model="qwen-max")
res = model.invoke(input=prompt_text)
2）基于 chain 的写法（把 PromptTemplate 和 模型 链起来）：
prompt_template = PromptTemplate.from_template(
"我的邻居姓{lastname}，刚生了{gender}，帮忙起名字，请简略回答。"
)
model = Tongyi(model="qwen-max")
chain = prompt_template | model
res = chain.invoke(input={"lastname": "曹", "gender": "女儿"})
在此基础上，我们封装成可直接运行的脚本，并增加了说明性输出，便于学习。
"""
import os
from typing import Dict
from dotenv import load_dotenv
from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi
def init_llm() -> Tongyi:
"""
初始化 Tongyi LLM 模型实例。
优先从以下环境变量中读取密钥（依次回退）：
- DASHSCOPE_API_KEY（阿里云官方推荐）
- API_KEY（与本项目其他示例保持兼容）
"""
load_dotenv()
api_key = os.getenv("DASHSCOPE_API_KEY") or os.getenv("API_KEY")
if not api_key:
raise ValueError(
"未找到 DASHSCOPE_API_KEY 或 API_KEY 环境变量，请先在 .env 或系统环境中配置后再运行。"
)
# LangChain 的 Tongyi 封装会自动从环境变量中读取 key，
# 这里设置一份到 DASHSCOPE_API_KEY，确保兼容性。
os.environ["DASHSCOPE_API_KEY"] = api_key
# 与课件及其他示例保持一致，使用 qwen-max 模型
llm = Tongyi(model="qwen-max")
return llm
def build_name_prompt_template() -> PromptTemplate:
"""
构建一个通用的起名提示词模板。
模板中预留了两个变量：
- {lastname}：姓氏
- {gender}：新生儿性别（如“女儿”“儿子”等）
"""
template = (
"你是一位经验丰富的中文起名顾问。\n"
"我的邻居姓{lastname}，刚生了{gender}。\n"
"请根据中文命名习惯，给出 2~3 个合适的名字备选，"
"每个名字附上 1 句话的含义说明，答案尽量简短。"
)
return PromptTemplate.from_template(template)
def demo_standard_usage(llm: Tongyi, prompt_template: PromptTemplate) -> None:
"""
演示「标准写法」：
1. 先使用 PromptTemplate.format(...) 把变量注入，得到最终提示词文本
2. 再把提示词文本传给 llm.invoke(...)
"""
print("=" * 80)
print("【示例1】标准写法：先生成提示词文本，再调用模型")
print("-" * 80)
# Step 1：通过 format 注入变量，生成最终提示词文本
prompt_text = prompt_template.format(lastname="张", gender="女儿")
print("生成的提示词（发送给大模型的最终文本）：\n")
print(prompt_text)
print("\n模型回复：\n")
# Step 2：把最终提示词文本喂给模型
res = llm.invoke(prompt_text)
print(res)
print()
def demo_chain_usage(llm: Tongyi, prompt_template: PromptTemplate) -> None:
"""
演示「基于 chain 的写法」：
1. 使用 `prompt_template | llm` 把提示词模板与模型连接成一个链
2. 调用 chain.invoke(...) 时，直接传入变量字典，由链自动完成：
- 把变量注入到模板中
- 调用模型并返回结果
"""
print("=" * 80)
print("【示例2】基于 chain 的写法：PromptTemplate | LLM")
print("-" * 80)
# Step 1：把 PromptTemplate 和 LLM 通过管道符 `|` 链接起来
chain = prompt_template | llm
# Step 2：构造变量输入（不再手动拼接提示词）
variables: Dict[str, str] = {"lastname": "曹", "gender": "女儿"}
print("传给 chain 的变量字典：", variables)
print("\n模型回复：\n")
# 注意：这里传入的仍然是 input=...，但内容是变量字典
res = chain.invoke(input=variables)
print(res)
print()
def main() -> None:
"""
主函数：演示 LangChain 中 PromptTemplate 的两种常用用法。
"""
print("=" * 80)
print("LangChain 通用提示词模板（PromptTemplate）用法示例")
print("=" * 80)
llm = init_llm()
prompt_template = build_name_prompt_template()
# 示例 1：标准写法
demo_standard_usage(llm, prompt_template)
# 示例 2：基于 chain 的写法
demo_chain_usage(llm, prompt_template)
print("=" * 80)
print("演示结束")
print("=" * 80)
if __name__ == "__main__":
main()
运行代码
python3 AI_LLM_RAG_Agent_Dev/16_LangChain_PromptTemplate_Tongyi.py
================================================================================
LangChain 通用提示词模板（PromptTemplate）用法示例
================================================================================
================================================================================
【示例1】标准写法：先生成提示词文本，再调用模型
--------------------------------------------------------------------------------
生成的提示词（发送给大模型的最终文本）：
你是一位经验丰富的中文起名顾问。
我的邻居姓张，刚生了女儿。
请根据中文命名习惯，给出 2~3 个合适的名字备选，每个名字附上 1 句话的含义说明，答案尽量简短。
模型回复：
1. 张婉婷：婉，形容女子温柔；婷，美好、优雅，整体寓意着温柔而美好的女子。
2. 张思琪：思，思考、思念；琪，美玉的一种，象征珍贵与纯洁，寄寓了智慧与纯真并重的美好愿望。
================================================================================
【示例2】基于 chain 的写法：PromptTemplate | LLM
--------------------------------------------------------------------------------
传给 chain 的变量字典： {'lastname': '曹', 'gender': '女儿'}
模型回复：
1. 曹婉仪：婉转优雅，仪态万千，寓意女儿将来举止文雅、气质出众。
2. 曹诗琪：诗意盎然，琪花瑶草，象征着女儿如诗歌般美好纯洁。
================================================================================
演示结束
================================================================================
总结
ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ
ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ
ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ
ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ
ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ ᅟᅠ
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
10
0- 0
已为社区贡献405条内容
所有评论(0)