黑马大模型RAG与Agent智能体实战教程LangChain提示词——15、RAG开发——FewShot提示词模板（FewShotPromptTemplate）
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-12、FewShot提示词模板
FewShot提示词模板参数介绍
FewShot提示词模板对象创建过程
→提示词：根据图片内容，帮我创建代码17，介绍FewShot提示词模板
→AI回复
17_LangChain_FewShot_PromptTemplate.py
"""
FewShot 提示词模板（FewShotPromptTemplate）用法示例
本示例演示如何使用 LangChain 的 FewShotPromptTemplate 来构建少样本学习（Few-Shot Learning）提示词。
FewShotPromptTemplate 的核心参数：
- examples: 示例数据，list，内套字典（每个字典代表一个示例）
- example_prompt: 示例数据的提示词模板（PromptTemplate），用于格式化每个示例
- prefix: 组装提示词，示例数据前的内容
- suffix: 组装提示词，示例数据后的内容（通常包含用户输入变量）
- input_variables: 列表，注入的变量列表（在 suffix 中使用的变量）
工作流程：
1. 使用 example_prompt 格式化 examples 中的每个示例
2. 将 prefix + 格式化后的示例 + suffix 组合成最终提示词
3. 将 input_variables 中的变量注入到 suffix 中
本示例包含两个演示：
1. 反义词示例：根据给定的示例，让模型推断新词的反义词
2. 情感分析示例：根据给定的示例，让模型分析文本的情感倾向
"""
import os
from typing import Dict, List
from dotenv import load_dotenv
from langchain_core.prompts import FewShotPromptTemplate, 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 demo_antonym_fewshot(llm: Tongyi) -> None:
"""
演示 FewShotPromptTemplate 在反义词推断任务中的应用。
通过提供几个「词-反义词」的示例，让模型学习模式并推断新词的反义词。
"""
print("=" * 80)
print("【示例1】反义词推断：FewShot 提示词模板")
print("-" * 80)
# Step 1: 定义示例数据的模板
# 这个模板用于格式化每个示例，将示例数据中的 word 和 antonym 填入
example_template = PromptTemplate.from_template("单词:{word},反义词:{antonym}")
# Step 2: 准备示例数据（list，内套字典）
# 每个字典包含一个示例的 word 和 antonym
example_data = [
{"word": "大", "antonym": "小"},
{"word": "上", "antonym": "下"},
]
# Step 3: 创建 FewShotPromptTemplate
# - example_prompt: 用于格式化每个示例的模板
# - examples: 示例数据列表
# - prefix: 示例数据前的内容（说明任务和提供示例）
# - suffix: 示例数据后的内容（包含用户输入变量）
# - input_variables: 在 suffix 中使用的变量列表
few_shot_prompt = FewShotPromptTemplate(
example_prompt=example_template,
examples=example_data,
prefix="给出给定词的反义词,有如下示例:",
suffix="基于示例告诉我:{input_word}的反义词是?",
input_variables=["input_word"],
)
# Step 4: 使用 FewShotPromptTemplate 生成最终提示词
# 方法1：使用 invoke 方法（推荐，返回 PromptValue 对象）
prompt_value = few_shot_prompt.invoke(input={"input_word": "左"})
prompt_text = prompt_value.to_string()
print("生成的 FewShot 提示词：\n")
print(prompt_text)
print("\n模型回复：\n")
# Step 5: 将生成的提示词发送给模型
res = llm.invoke(prompt_text)
print(res)
print()
# 也可以直接使用 chain 的方式
print("-" * 80)
print("使用 Chain 方式（FewShotPromptTemplate | LLM）：\n")
chain = few_shot_prompt | llm
res2 = chain.invoke(input={"input_word": "热"})
print(f"输入词：热")
print(f"模型回复：{res2}")
print()
def demo_sentiment_analysis_fewshot(llm: Tongyi) -> None:
"""
演示 FewShotPromptTemplate 在情感分析任务中的应用。
通过提供几个「文本-情感」的示例，让模型学习模式并分析新文本的情感倾向。
"""
print("=" * 80)
print("【示例2】情感分析：FewShot 提示词模板")
print("-" * 80)
# Step 1: 定义示例数据的模板
example_template = PromptTemplate.from_template(
"文本：{text}\n情感：{sentiment}"
)
# Step 2: 准备示例数据
example_data = [
{"text": "今天天气真好，心情特别愉快！", "sentiment": "积极"},
{"text": "这个产品质量太差了，完全不值这个价格。", "sentiment": "消极"},
{"text": "这部电影还可以，但剧情有点拖沓。", "sentiment": "中性"},
]
# Step 3: 创建 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(
example_prompt=example_template,
examples=example_data,
prefix="请根据以下示例，分析文本的情感倾向。\n示例：",
suffix="\n请分析以下文本的情感倾向：\n文本：{input_text}\n情感：",
input_variables=["input_text"],
)
# Step 4: 生成提示词并调用模型
test_text = "虽然遇到了困难，但我相信只要努力就能克服。"
print(f"待分析文本：{test_text}\n")
prompt_value = few_shot_prompt.invoke(input={"input_text": test_text})
prompt_text = prompt_value.to_string()
print("生成的 FewShot 提示词：\n")
print(prompt_text)
print("\n模型回复：\n")
res = llm.invoke(prompt_text)
print(res)
print()
def demo_fewshot_parameters_explanation() -> None:
"""
解释 FewShotPromptTemplate 各个参数的作用。
"""
print("=" * 80)
print("【FewShotPromptTemplate 参数说明】")
print("=" * 80)
print()
print("FewShotPromptTemplate 的主要参数：")
print()
print("1. examples (list[dict]):")
print(" - 示例数据，是一个列表，每个元素是一个字典")
print(" - 字典的键对应 example_prompt 模板中的变量名")
print(" - 例如：[{\"word\": \"大\", \"antonym\": \"小\"}, ...]")
print()
print("2. example_prompt (PromptTemplate):")
print(" - 用于格式化每个示例的提示词模板")
print(" - 模板中的变量名必须与 examples 中字典的键匹配")
print(" - 例如：PromptTemplate.from_template(\"单词:{word},反义词:{antonym}\")")
print()
print("3. prefix (str):")
print(" - 组装提示词时，放在示例数据前面的内容")
print(" - 通常用于说明任务要求和提供上下文")
print(" - 例如：\"给出给定词的反义词,有如下示例:\"")
print()
print("4. suffix (str):")
print(" - 组装提示词时，放在示例数据后面的内容")
print(" - 通常包含用户输入变量（在 input_variables 中定义）")
print(" - 例如：\"基于示例告诉我:{input_word}的反义词是?\"")
print()
print("5. input_variables (list[str]):")
print(" - 在 suffix 中使用的变量列表")
print(" - 调用 invoke() 时需要提供这些变量的值")
print(" - 例如：[\"input_word\"]")
print()
print("最终提示词的组装顺序：")
print(" prefix + (example_prompt 格式化后的示例1) + (example_prompt 格式化后的示例2) + ... + suffix")
print()
print("=" * 80)
print()
def main() -> None:
"""
主函数：演示 LangChain 中 FewShotPromptTemplate 的用法。
"""
print("=" * 80)
print("LangChain FewShot 提示词模板（FewShotPromptTemplate）用法示例")
print("=" * 80)
print()
# 参数说明
demo_fewshot_parameters_explanation()
# 初始化模型
llm = init_llm()
# 示例1：反义词推断
demo_antonym_fewshot(llm)
# 示例2：情感分析
demo_sentiment_analysis_fewshot(llm)
print("=" * 80)
print("演示结束")
print("=" * 80)
if __name__ == "__main__":
main()
运行代码
python3 AI_LLM_RAG_Agent_Dev/17_LangChain_FewShot_PromptTemplate.py
结果：
================================================================================
LangChain FewShot 提示词模板（FewShotPromptTemplate）用法示例
================================================================================
================================================================================
【FewShotPromptTemplate 参数说明】
================================================================================
FewShotPromptTemplate 的主要参数：
1. examples (list[dict]):
- 示例数据，是一个列表，每个元素是一个字典
- 字典的键对应 example_prompt 模板中的变量名
- 例如：[{"word": "大", "antonym": "小"}, ...]
2. example_prompt (PromptTemplate):
- 用于格式化每个示例的提示词模板
- 模板中的变量名必须与 examples 中字典的键匹配
- 例如：PromptTemplate.from_template("单词:{word},反义词:{antonym}")
3. prefix (str):
- 组装提示词时，放在示例数据前面的内容
- 通常用于说明任务要求和提供上下文
- 例如："给出给定词的反义词,有如下示例:"
4. suffix (str):
- 组装提示词时，放在示例数据后面的内容
- 通常包含用户输入变量（在 input_variables 中定义）
- 例如："基于示例告诉我:{input_word}的反义词是?"
5. input_variables (list[str]):
- 在 suffix 中使用的变量列表
- 调用 invoke() 时需要提供这些变量的值
- 例如：["input_word"]
最终提示词的组装顺序：
prefix + (example_prompt 格式化后的示例1) + (example_prompt 格式化后的示例2) + ... + suffix
================================================================================
================================================================================
【示例1】反义词推断：FewShot 提示词模板
--------------------------------------------------------------------------------
生成的 FewShot 提示词：
给出给定词的反义词,有如下示例:
单词:大,反义词:小
单词:上,反义词:下
基于示例告诉我:高大和娴熟的反义词是?
模型回复：
单词:高大,反义词:矮小
单词:娴熟,反义词:生疏
--------------------------------------------------------------------------------
使用 Chain 方式（FewShotPromptTemplate | LLM）：
输入词：高大和娴熟
模型回复：单词:高大,反义词:矮小
单词:娴熟,反义词:生疏
================================================================================
【示例2】情感分析：FewShot 提示词模板
--------------------------------------------------------------------------------
待分析文本：虽然遇到了困难，但我相信只要努力就能克服。
生成的 FewShot 提示词：
请根据以下示例，分析文本的情感倾向。
示例：
文本：今天天气真好，心情特别愉快！
情感：积极
文本：这个产品质量太差了，完全不值这个价格。
情感：消极
文本：这部电影还可以，但剧情有点拖沓。
情感：中性
请分析以下文本的情感倾向：
文本：虽然遇到了困难，但我相信只要努力就能克服。
情感：
模型回复：
文本：虽然遇到了困难，但我相信只要努力就能克服。
情感：积极
分析：该句表达了面对困难时的乐观态度和解决问题的信心，整体上呈现出一种积极向上的情感倾向。尽管提到了“遇到了困难”，但后半句强调了通过个人努力可以克服这些挑战，这传递了一种正面、鼓舞人心的信息。因此，这条文本的情感倾向被归类为积极。
================================================================================
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
5
0- 0
已为社区贡献406条内容
所有评论(0)