当前位置：首页 > article >正文

前端拥抱AI：LangChain.js 入门遇山开路之PromptTemplate

article 2024/10/26 17:10:36

PromptTemplate是什么

PromptTemplate是一个可重复使用的模板，用于生成引导模型生成特定输出的文本。与Prompt的区别: PromptTemplate相对于普通Prompt的优势，即其灵活性和可定制性。

简单了解PromptTemplate后，咱们就来聊聊LangChain里的PromptTemplate—让聊天变得像搭积木一样简单的神奇工具，我们知道通过提供不同的Prompt，AI模型能够生成风格迥异的答案。明确的Prompt能引导模型生成高质量的文本内容。
在这里插入图片描述

首先，咱们得明白，prompt就是那根能撬动大模型智慧的杠杆。在没有template时，需要自己一字一句地构造问题。但现在，有了PromptTemplate，就像有了个私人定制的工厂，想要什么都行！

无输入变量的模板

新手村第一站，从最基础的开始——无变量Template，就是“hello world”级别的问候。但它却是理解PromptTemplate世界的敲门砖。

引用langchain的prompts模块提供的PromptTemplate 方法传入 inputVariables 和 template，打印一下，在Jupter运行如下

import { PromptTemplate } from "npm:/@langchain/core/prompts";``   ``const greetingPrompt = new PromptTemplate({`  `inputVariables: [],`  `template: "hello，前端慢报",``});``const formattedGreetingPrompt = await greetingPrompt.format();``console.log(formattedGreetingPrompt);

带变量的模板

接下来，咱们升级一下，整点带变量的。比如，“{greeting}，{name}”，咱们就可以根据对方的名字来定制问候了。

const autoInferTemplate = PromptTemplate.fromTemplate("{greeting}，{name}");``console.log(autoInferTemplate.inputVariables);``   ``const formattedAutoInferTemplate = await autoInferTemplate.format({`  `greeting: "吃了吗您",`  `name: "AI降临派",``});` `console.log(formattedAutoInferTemplate)

动态变量的模板

LangChain让咱们可以像玩乐高一样组合这些PromptTemplate。想象一下，你手里有一堆五颜六色的积木块，每个都代表着不同的问候、指令或者问题。你只需要按照心情和场景，随意搭配，当我们面临需要实时动态地为PromptTemplate生成参数的情况时，我们可以巧妙地利用函数来实现这一目标。就像一位经验丰富的工匠，精心雕琢每一块拼图，函数能够精确地指定template中的部分参数，使其根据实际需求灵活变化，提升了我们的工作效率

    通过写一个获取日期的函数，传给date变量，示例代码如下：

const getCurrentDate = () => {` `return new Date().toLocaleDateString();``};``   ``const promptWithDynicDate = new PromptTemplate({` `template: "今天是{date}，{dowhat}。",` `inputVariables: ["date", "dowhat"],``});``   ``const partialedPromptWithDate = await promptWithDynicDate.partial({`  `date: getCurrentDate,``});``   ``const formattedPromptWithDate = await partialedPromptWithDate.format({`  `dowhat: "看三体",``});``console.log(formattedPromptWithDate);

与大模型结合的模板

但LangChain的神奇之处远不止于此，开胃凉菜上完了，该硬菜了。

为了方便我们构建和处理这种复杂但至关重要的聊天消息，LangChain提供了一系列强大的工具，使我们与模型的交互将更加得心应手，为了方便地构建和处理这种结构化的聊天消息，LangChain对不同的角色有不同的消息类别，分为：

HumanMessage、AIMessage、SystemMessage、ToolMessage

在下边的代码示例中，systemTemplate 和 humanTemplate 分别对应了一段 ChatMessage 不同的角色。通过角色标识消息的发送者。角色的概念对 LLM 理解和构建整个对话流程非常重要，相同的内容由不同的 role 发送出来的意义是不同的 (可以对下边的代码片段执行下，看下返回的效果)。

systemTemplate 对应的"SystemMessage"角色的消息用于设置对话的上下文或指定模型采取特定的行为模式。这些消息不会直接显示在对话中，但它们对模型的行为有指导作用。可以理解成模型的元信息，权重比较高，但并不是所有的模型都支持。

humanTemplate 对应"HumanMessage"角色代表来自用户的消息。这些消息通常是问题、指令等。

import { StringOutputParser } from "npm:/@langchain/core/output_parsers";``import { Ollama } from "npm:/@langchain/community/llms/ollama";` `import { ChatPromptTemplate } from "npm:/@langchain/core/prompts";``   ``const systemTemplate = "你是一个专业的翻译员，你的任务是将文本从{source_lang}翻译成{target_lang}。";``const humanTemplate = "请翻译这句话：{text}";``const chatPrompt = ChatPromptTemplate.fromMessages([`  `["system", systemTemplate],`  `["human", humanTemplate],` `]);``// only human, AI, or system message coercion is currently supported``const chatModel = new Ollama({` `baseUrl: "http://localhost:11434",`  `model: "llama3",` `});``const outputPraser = new StringOutputParser();``   ``const chain = chatPrompt.pipe(chatModel).pipe(outputPraser);``   ``await chain.invoke({`  `source_lang: "中文",`  `target_lang: "英语",`  `text: "你好，世界",``})

代码里ChatPromptTemplate 数组接受的参数目前看只支持 system, human, ai

const chatPrompt = ChatPromptTemplate.fromMessages([`  `["system", systemTemplate],`  `["human", humanTemplate],` `]);``// only human, AI or system message coercion is currently supported.

填写其他会报错