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

🕗 发布于 2024-11-17 09:51 前端 人工智能 langchain chatgpt 产品经理

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

总结

本文介绍了

PromptTemplate是什么
无输入变量的模板
带变量的模板
动态变量的模板
与大模型结合的模板

通过这篇文章，读者可以深入了解LangChain.js中的PromptTemplate概念、创建方法、高级特性以及最佳实践，从而在实际项目中更好地利用这一功能。

Make your hands dirty! 动手试试吧

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

最后如果您也对AI大模型感兴趣想学习却苦于没有方向👀

小编给自己收藏整理好的学习资料分享出来给大家💖

在这里插入图片描述

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）
在这里插入图片描述

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉如何学习AI大模型？👈

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
在这里插入图片描述

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
在这里插入图片描述

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。
在这里插入图片描述

四、AI大模型商业化落地方案