如何在聊天模型中使用少量示例
本指南介绍了如何使用示例输入和输出来提示聊天模型。为模型提供几个这样的示例称为少样本提示（few-shotting），这是一种简单而强大的方法，可以指导生成，在某些情况下，可以显著提高模型性能。
关于如何最好地进行少样本提示，似乎没有明确的共识，最佳的提示编译可能会因模型而异。因此，我们提供了少样本提示模板，如FewShotChatMessagePromptTemplate，作为灵活的起点，您可以根据需要修改或替换它们。
少样本提示模板的目标是根据输入动态选择示例，然后将示例格式化为最终提示以提供给模型。
注意：以下代码示例仅适用于聊天模型，因为FewShotChatMessagePromptTemplates旨在输出格式化的聊天消息而不是纯字符串。有关与补全模型（LLM）兼容的纯字符串模板的类似少样本提示示例，请参阅少样本提示模板指南。
固定示例
最基本（也是最常见）的少样本提示技术是使用固定的提示示例。这样您就可以选择一个链，评估它，并避免在生产中担心额外的活动部件。
模板的基本组成部分是
examples：要包含在最终提示中的字典示例列表。example_prompt：通过其format_messages方法将每个示例转换为1条或多条消息。一个常见的例子是将每个示例转换为一条人类消息和一条AI消息响应，或一条人类消息后跟一个函数调用消息。
下面是一个简单的演示。首先，定义您想要包含的示例。让我们给LLM一个不熟悉的数学运算符，用“🦜”表情符号表示
%pip install -qU langchain langchain-openai langchain-chroma
import os
from getpass import getpass
if "OPENAI_API_KEY" not in os.environ:
os.environ["OPENAI_API_KEY"] = getpass()
如果我们尝试询问模型此表达式的结果是什么，它将失败
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o-mini", temperature=0.0)
model.invoke("What is 2 🦜 9?")
API 参考：ChatOpenAI
AIMessage(content='The expression "2 🦜 9" is not a standard mathematical operation or equation. It appears to be a combination of the number 2 and the parrot emoji 🦜 followed by the number 9. It does not have a specific mathematical meaning.', response_metadata={'token_usage': {'completion_tokens': 54, 'prompt_tokens': 17, 'total_tokens': 71}, 'model_name': 'gpt-4o-mini', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-aad12dda-5c47-4a1e-9949-6fe94e03242a-0', usage_metadata={'input_tokens': 17, 'output_tokens': 54, 'total_tokens': 71})
现在让我们看看如果我们给LLM一些示例会发生什么。我们将在下面定义一些
from langchain_core.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate
examples = [
{"input": "2 🦜 2", "output": "4"},
{"input": "2 🦜 3", "output": "5"},
]
接下来，将它们组装到少样本提示模板中。
# This is a prompt template used to format each individual example.
example_prompt = ChatPromptTemplate.from_messages(
[
("human", "{input}"),
("ai", "{output}"),
]
)
few_shot_prompt = FewShotChatMessagePromptTemplate(
example_prompt=example_prompt,
examples=examples,
)
print(few_shot_prompt.invoke({}).to_messages())
[HumanMessage(content='2 🦜 2'), AIMessage(content='4'), HumanMessage(content='2 🦜 3'), AIMessage(content='5')]
最后，我们按照如下所示组装最终提示，将few_shot_prompt直接传递给from_messages工厂方法，并将其与模型一起使用
final_prompt = ChatPromptTemplate.from_messages(
[
("system", "You are a wondrous wizard of math."),
few_shot_prompt,
("human", "{input}"),
]
)
现在让我们向模型提出最初的问题，看看它的表现如何
from langchain_openai import ChatOpenAI
chain = final_prompt | model
chain.invoke({"input": "What is 2 🦜 9?"})
API 参考：ChatOpenAI
AIMessage(content='11', response_metadata={'token_usage': {'completion_tokens': 1, 'prompt_tokens': 60, 'total_tokens': 61}, 'model_name': 'gpt-4o-mini', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-5ec4e051-262f-408e-ad00-3f2ebeb561c3-0', usage_metadata={'input_tokens': 60, 'output_tokens': 1, 'total_tokens': 61})
我们可以看到，模型现在已经从给定的少样本示例中推断出鹦鹉表情符号表示加法！
动态少样本提示
有时您可能希望根据输入从您的整个集合中仅选择几个示例来显示。为此，您可以将传递给FewShotChatMessagePromptTemplate的examples替换为example_selector。其他组件与上述保持不变！我们的动态少样本提示模板将如下所示
example_selector：负责为给定输入选择少样本示例（以及它们返回的顺序）。这些实现了BaseExampleSelector接口。一个常见的例子是向量存储支持的SemanticSimilarityExampleSelectorexample_prompt：通过其format_messages方法将每个示例转换为1条或多条消息。一个常见的例子是将每个示例转换为一条人类消息和一条AI消息响应，或一条人类消息后跟一个函数调用消息。
这些可以再次与其他消息和聊天模板组合，以组装您的最终提示。
让我们通过一个SemanticSimilarityExampleSelector的例子来演示。由于此实现使用向量存储根据语义相似性选择示例，我们首先需要填充存储。由于这里的基本思想是我们想要搜索并返回与文本输入最相似的示例，因此我们嵌入提示示例的values而不是考虑键
from langchain_chroma import Chroma
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_openai import OpenAIEmbeddings
examples = [
{"input": "2 🦜 2", "output": "4"},
{"input": "2 🦜 3", "output": "5"},
{"input": "2 🦜 4", "output": "6"},
{"input": "What did the cow say to the moon?", "output": "nothing at all"},
{
"input": "Write me a poem about the moon",
"output": "One for the moon, and one for me, who are we to talk about the moon?",
},
]
to_vectorize = [" ".join(example.values()) for example in examples]
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_texts(to_vectorize, embeddings, metadatas=examples)
创建example_selector
创建向量存储后，我们可以创建example_selector。在这里，我们将单独调用它，并将其k设置为仅获取最接近输入的两个示例。
example_selector = SemanticSimilarityExampleSelector(
vectorstore=vectorstore,
k=2,
)
# The prompt template will load examples by passing the input do the `select_examples` method
example_selector.select_examples({"input": "horse"})
[{'input': 'What did the cow say to the moon?', 'output': 'nothing at all'},
{'input': '2 🦜 4', 'output': '6'}]
创建提示模板
我们现在组装提示模板，使用上面创建的example_selector。
from langchain_core.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate
# Define the few-shot prompt.
few_shot_prompt = FewShotChatMessagePromptTemplate(
# The input variables select the values to pass to the example_selector
input_variables=["input"],
example_selector=example_selector,
# Define how each example will be formatted.
# In this case, each example will become 2 messages:
# 1 human, and 1 AI
example_prompt=ChatPromptTemplate.from_messages(
[("human", "{input}"), ("ai", "{output}")]
),
)
print(few_shot_prompt.invoke(input="What's 3 🦜 3?").to_messages())
[HumanMessage(content='2 🦜 3'), AIMessage(content='5'), HumanMessage(content='2 🦜 4'), AIMessage(content='6')]
我们可以将这个少样本聊天消息提示模板传递给另一个聊天提示模板
final_prompt = ChatPromptTemplate.from_messages(
[
("system", "You are a wondrous wizard of math."),
few_shot_prompt,
("human", "{input}"),
]
)
print(few_shot_prompt.invoke(input="What's 3 🦜 3?"))
messages=[HumanMessage(content='2 🦜 3'), AIMessage(content='5'), HumanMessage(content='2 🦜 4'), AIMessage(content='6')]
与聊天模型一起使用
最后，您可以将模型连接到少样本提示。
chain = final_prompt | ChatOpenAI(model="gpt-4o-mini", temperature=0.0)
chain.invoke({"input": "What's 3 🦜 3?"})
AIMessage(content='6', response_metadata={'token_usage': {'completion_tokens': 1, 'prompt_tokens': 60, 'total_tokens': 61}, 'model_name': 'gpt-4o-mini', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None}, id='run-d1863e5e-17cd-4e9d-bf7a-b9f118747a65-0', usage_metadata={'input_tokens': 60, 'output_tokens': 1, 'total_tokens': 61})
下一步
您现在已经学会了如何将少样本示例添加到您的聊天提示中。
接下来，查看本节中关于提示模板的其他操作指南，以及关于使用文本补全模型进行少样本提示的相关操作指南，或其他的示例选择器操作指南。