如何在聊天模型中使用少量示例

先决条件

本指南假设您熟悉以下概念

本指南介绍如何使用示例输入和输出提示聊天模型。向模型提供少量此类示例称为少量示例，这是一种简单而强大的指导生成的方法，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量示例提示似乎没有明确的共识，并且最佳提示编译可能会因模型而异。因此，我们提供了少量示例提示模板，如FewShotChatMessagePromptTemplate，这是一个灵活的起点，您可以根据需要修改或替换它们。

少量示例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 设计为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量示例提示，请参阅少量示例提示模板指南。

固定示例

最基本（也是最常见）的少量示例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可变部分。

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。一个常见的例子是将每个示例转换为一条人类消息和一条 AI 消息回复，或者一条人类消息后跟一条函数调用消息。

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这个表达式的结果是什么，它会失败。

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"},
]

API 参考：ChatPromptTemplate | FewShotChatMessagePromptTemplate

接下来，将它们组合成少样本提示模板。

# 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，如下所示组装最终提示，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}"),
    ]
)

现在让我们问模型最初的问题，看看它表现如何。

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，您可以将传递给 FewShotChatMessagePromptTemplate 的 examples 替换为 example_selector。其他组件与上述相同！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）。它们实现了 BaseExampleSelector 接口。一个常见的示例是基于向量存储的 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。一个常见的例子是将每个示例转换为一条人类消息和一条 AI 消息回复，或者一条人类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 举例说明。由于此实现使用向量存储来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希望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)

API 参考：SemanticSimilarityExampleSelector | OpenAIEmbeddings

创建 `example_selector`

创建向量存储后，我们可以创建 example_selector。这里我们将单独调用它，并在其上设置 k，以仅获取与输入最接近的两个示例。

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

我们现在使用上面创建的 example_selector 来组装提示模板。

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())

API 参考：ChatPromptTemplate | FewShotChatMessagePromptTemplate

[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})

后续步骤

您现在已经学会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的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。

固定示例​

动态少样本提示​

创建 example_selector​

创建提示模板​

与聊天模型一起使用​

后续步骤​

此页对您有帮助吗？