LangChainGo 中的提示詞工程（Prompt Engineering）

在使用 LangchainGo（簡稱 langchaingo）構建智能應用時，提示詞工程（Prompt Engineering） 是一個關鍵環節。它可以幫助我們更精準地引導 LLM（大語言模型）生成符合預期的內容。本文將介紹在 langchaingo 中如何使用提示詞工程。

什麼是提示詞工程？

提示詞工程是人與機器進行溝通的橋樑，更是用戶引導 AI 精準執行任務的關鍵。

提示詞基礎策略

明確目標: 用戶需要明確地告訴 AI 應用的任務目標。只有清楚告訴 AI 應用需求完成什麼樣的任務時，才能設計出有效的提示詞。
簡潔明確: 用戶提供的提示詞應該簡潔明瞭，應避免使用模糊或者過於複雜的表達。
逐步細化: 對於複雜的任務，可以採用逐步細化的策略，即通過一系列簡單的提示詞，分步驟的指導 AI 模型一步步完成整個任務流程。

提示詞高級技巧

使用條件語句: 可以在提示詞中使用條件語句引導 AI 模型根據不同的情況完成不同的輸出。
利用歷史信息: 在構建交互式 AI 應用時，我們可以將之前的歷史對話或者交互歷史作爲提示詞的一部分，幫助 AI 模型更好地理解上下文，從而生成更加相關和連貫的輸出。
動態調整: 根據 AI 應用的反饋和效果，應動態的調整提示詞，以達到最佳的性能。

基礎提示詞（Basic Prompting）

在 langchaingo 中，最簡單的提示詞是一個字符串，我們可以直接將其傳遞給 LLM 進行推理：

import (
    "context"
    "fmt"
    "log"
    "github.com/tmc/langchaingo/llms/ollama"
)
func main() {
    llm, err := ollama.New(ollama.WithModel("qwen2:7b"))
    if err != nil {
        log.Fatal(err)
    }
    ctx := context.Background()
    prompt := "請用一句話描述go語言"
    res, err := llm.Call(ctx, prompt)
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println("AI Answer : ", res)
}

解析

ollama.New：初始化 Ollama LLM，使用 WithModel 方法傳入對應的 llama 模型名稱。
llm.Call(ctx, prompt)：將提示詞傳遞給 LLM，獲取 AI 生成的文本。

運行結果如下所示:

使用模板優化提示詞（Prompt Templates）

在實際應用中，我們往往需要動態構建提示詞。Prompt Template 是一種高效的方式，用於快速生成根據模板定製的提示詞。它適用於那些需要固定模型與動態內容相結合的場景。

例如：

package main
import (
    "context"
    "fmt"
    "log"
    "github.com/tmc/langchaingo/llms/ollama"
    "github.com/tmc/langchaingo/prompts"
)
func main() {
    llm, err := ollama.New(
        ollama.WithModel("qwen2:7b"),
    )
    if err != nil {
        log.Fatal(err)
    }
    ctx := context.Background()
    // 定義prompt template提示詞模板
    promptTemplate := prompts.NewPromptTemplate(
        "請使用一句話描述 {{.topic}}",
        []string{"topic"},
    )
    // 輸出模板
    fmt.Println(promptTemplate.Template)
    // 渲染模板
    prompt, err := promptTemplate.Format(map[string]any{
        "topic": "nim-lang這門語言",
    })
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println(prompt)
    res, err := llm.Call(ctx, prompt)
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println(res)
}

解析

prompts.NewPromptTemplate()：創建一個帶有變量的提示詞模板。
Format(map[string]string{"topic": "nim-lang 這門語言"})：動態填充 topic 變量。
llm.Call(ctx, prompt)：調用 LLM 生成回答。

運行結果如下所示:

除了上面的方法之外我們還可以使用 ChatPromptTemplate，它提供了一種模擬對話流的方式，非常適合創建更加動態和互動性強的文本生成場景。

例子如下所示:

package main
import (
    "context"
    "fmt"
    "log"
    "github.com/tmc/langchaingo/llms/ollama"
    "github.com/tmc/langchaingo/prompts"
)
func main() {
    llm, err := ollama.New(ollama.WithModel("qwen2:7b"))
    if err != nil {
        log.Fatal(err)
    }
    // 創建一個新的聊天提示模板
    prompt := prompts.NewChatPromptTemplate([]prompts.MessageFormatter{
        prompts.NewSystemMessagePromptTemplate("你是一個智能翻譯助手", []string{}),
        prompts.NewHumanMessagePromptTemplate("將這段文本從{{.input}}翻譯成{{.output}}:\n{{.question}}",
            []string{"input", "output", "question"}),
    })
    val, err := prompt.FormatPrompt(map[string]any{
        "input":    "中文",
        "output":   "英文",
        "question": "你好，世界",
    })
    // 調用LLM
    ctx := context.Background()
    res, err := llm.Call(ctx, val.String())
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println(res)
}

解析

使用 NewChatPromptTemplate 創建對話模板，包含多個 MessageFormatter。
NewSystemMessagePromptTemplate 定義系統角色（如客服助手）。
NewHumanMessagePromptTemplate 定義用戶輸入模板，{{.question}} 等變量爲佔位符。

運行效果如下所示:

除了上述介紹的方式來創建提示詞外，langchaingo 還提供了其他方法來創建提示詞，這裏我就不一一介紹和演示了。

總結

langchaingo 提供了靈活的提示詞工程工具，幫助我們優化 LLM 的輸入，提高回答質量。合理利用這些技術，可以讓 LLM 更精準地理解和執行任務，提升 AI 應用的可靠性！

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/hWkJ9e2j0xy4lVXPF4cv9g

提示詞基礎策略

提示詞高級技巧

猜你喜歡