当前位置：首页 > article >正文

langchain更新再体验：加入一个prompt

article 2025/3/5 10:20:55

文章目录

前言
配置
获得大模型对象
PromptTemplate
chat_history
管道链接
- invoke
- 非短路或
管道操作
总结

前言

在上一篇文章中（已同步到博客langchain更新再体验：加入一个prompt），利用更新的langchain制作了一个基本的demo。那么，现在，我们尝试增加难度，再往里面塞一个prompt。

目前源码已更新到了我的GitHub上，本文对应的是functions目录下的prompt.py文件。

配置

这部分相对于上篇文章没有变化，不再赘述。

获得大模型对象

也不再赘述，仅给出代码：

class TongyiFactory(BaseLLMFactory):
  def __init__(self, api_key: str = st.secrets["DASHSCOPE_API_KEY"], model_name: str = "qwen-max", top_p: float = 0.7):
    self.api_key = api_key
    self.model_name = model_name
    self.top_p = top_p

  def build(self):
    from langchain_community.llms import Tongyi
    llm = Tongyi(model = self.model_name, top_p = self.top_p, api_key = self.api_key)
    return llm
llm = TongyiFactory().build()

PromptTemplate

这一点还是和以前一样，用的提示词模板，所以先定义一个字符串，并在字符串中定义占位符，使得字符串可以被植入一些我们所需的内容：

template = """
请你作为一名医学专家，请听取用户所说的话，好好理解用户的病症。
{chat_history}
在了解病症之后，请鼓励用户积极说明病症并积极参与治疗。
Human: {human_input}
"""

然后，用PromptTemplate类来创建一个模板对象：

prompt_template = PromptTemplate(
  template = template, input_variables=["chat_history", "human_input"]
)

需要注意的是，prompt_tempate中传入的input_variables与template中的占位符需要在数量上、名称上保持一致。

chat_history

为了更方便地体现对话历史，这个也和以前一样：

memory = ConversationBufferMemory(memory_key="chat_history", input_key="human_input")

在这里，memory_key需要与prompt_template的input_variables中的名称对应，input_key也需要与input_values中的名称对应。

管道链接

这里就是LLMChain删除后的写法了。

chain = prompt_template | llm

管道是什么？他有什么作用？

其实也不需要追着这个【管道】的定义到处问，只需要关注代码的逻辑就够了。chain无非就是prompt_template与llm求或的结果。

所以，我们直接将问题拆开：

invoke

把当我们调用chain.invoke的时候，首先访问的是chain对象，这一点毋庸置疑。

非短路或

在访问chain对象时，由于非短路的或运算符|的存在，会按照从左到右的顺序依次访问，并且不会因为某一个对象非None而直接返回。也就是先访问prompt_template，再访问llm，直到所有的对象全部被访问到。

于是，问题就很明显了。

管道的存在实际上就是利用非短路的或运算符，将多个Runnable子类对象组合成一个Runnable对象，并且从左到右的顺序正好就是期望大模型执行的顺序。在上面这个案例中，顺序就是优先构建PromptTemplate对象，再构建LLM对象。

管道操作

说是管道操作，实际上就是访问顺序构建的llm对象。

result = chain.invoke({"chat_history": memory, "human_input": "What is the capital of France?"})
print(result)

P.S.：并不是写错了hunman_input，而是就这么皮，偏要写一个跟prompt没半点关系的东西。

这样，我们也就会获得到大模型的回答：

It seems there's been a mix-up in your query,
as you've asked about the capital of France, which is Paris.
However, I'm here to discuss medical concerns.
If you have any health-related questions or symptoms you'd like to talk about,
please feel free to share them. Remember,
openly discussing your health can be the first step towards finding relief and recovery.

同样的，这里换行完全是为了好看，不是代表原始输出就是会换行。