跳到主要内容
Open In ColabOpen on GitHub

如何在聊天模型中使用少样本示例

前提条件

本指南假设您熟悉以下概念

本指南介绍了如何使用示例输入和输出来提示聊天模型。为模型提供一些这样的示例称为 少样本学习，这是一种简单而有效的方法来指导生成，并在某些情况下显着提高模型性能。

关于如何最好地进行少样本提示，似乎没有明确的共识，最佳提示编译可能会因模型而异。因此，我们提供少样本提示模板，如 FewShotChatMessagePromptTemplate，作为一个灵活的起点，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，然后在最终提示中格式化示例以提供给模型。

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。有关与完成模型 (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（和常见）的少样本提示技术是使用固定提示示例。这样，您可以选择一个链，对其进行评估，并避免担心生产中额外的移动部件。

模板的基本组件是

  • 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。一个常见的示例是将每个示例转换为一条人工消息和一条 AI 消息响应，或一条人工消息后跟一条函数调用消息。

以下是一个简单的演示。首先，定义您要包含的示例。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 一些示例来处理会发生什么。我们将在下面定义一些示例

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，我们组装最终提示，如下所示，将 few_shot_prompt 直接传递到 from_messages 工厂方法中，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}"),
    ]
)

现在让我们询问模型最初的问题，看看它做得如何

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​

有时您可能只想根据输入从整体集中选择几个示例来显示。为此，您可以将传递到 FewShotChatMessagePromptTemplate 中的 examples 替换为 example_selector。其他组件与上面保持相同！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。一个常见的示例是向量存储支持的 SemanticSimilarityExampleSelector
  • example_prompt：通过其 format_messages 方法将每个示例转换为 1 条或多条消息。一个常见的示例是将每个示例转换为一条人工消息和一条 AI 消息响应，或一条人工消息后跟一条函数调用消息。

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 SemanticSimilarityExampleSelector 的示例进行介绍。由于此实现使用向量存储根据语义相似性选择示例，因此我们希望首先填充存储。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，并在其上设置 k 以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')]

我们可以将此少样本聊天消息提示模板传递到另一个聊天提示模板中

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，您可以将您的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​

您现在已经学习了如何向聊天提示添加少样本示例。

接下来，查看本节中关于提示模板的其他操作指南，关于 使用文本完成模型进行少样本学习 的相关操作指南，或其他的 示例选择器操作指南。

此页对您有帮助吗？