大模型对象创建&调用

""" 大模型共用定义 """importosfromdotenvimportload_dotenvfromlangchain_openaiimportChatOpenAI load_dotenv()# 创建大模型对象llm=ChatOpenAI(model="qwen-max-latest",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key=os.getenv("DASHSCOPE_API_KEY"),streaming=True,)result=llm.stream("介绍一下你自己")forchunkinresult:print(chunk.content,end="")

C:\Users\user\Desktop\mypython\class_mk_agent\chapter04\.venv\Scripts\python.exe C:\Users\user\Desktop\mypython\class_mk_agent\chapter04\bailian\LlmCommon.py 你好！我是Qwen，这是我的英文名，你也可以叫我通义千问。我是阿里云研发的一种超大规模语言模型，能够帮助用户生成各种类型的文本、回答问题、创作文字，如写故事、公文、邮件、剧本等，还能进行逻辑推理、编程，甚至表达观点和玩游戏等。 我支持多种语言，包括但不限于中文、英文、德语、法语、西班牙语等，能够满足国际化的使用需求。通过不断学习和优化，我致力于为用户提供更加准确、流畅和自然的交互体验。 如果你有任何问题或需要帮助，欢迎随时向我提问！ 进程已结束，退出代码为0

langchain常用的提示词模板

提示词模板类继承关系

一、 PromptTemplate 字符串模板提示词

适用于单轮对话

01 字符串提示模板.py

通过传入模板字符串+变量列表创建

template="请将以下文本翻译成{target_language}: {text}"prompt=PromptTemplate(input_variables=["target_language","text"],template=template)# 格式化提示词formatted_prompt=prompt.format(target_language="法语",text="你好，世界！")

直接使用模板字符串

# 方法2: 直接传入模板字符串创建promptTemplate2=PromptTemplate.from_template("作为{role}，请{action}: {content}")formatted_prompt2=promptTemplate2.format(role='资深文案',action='写一段产品介绍',content='新款智能手机')

使用模板字符串创建，并设置预设值

# 方法3: 传入模板字符串+变量列表创建，并预设部分变量值partial_prompt=PromptTemplate(template="{product}的主要功能包括：{features}",input_variables=["product","features"]).partial(product="智能手表")formatted_partial_prompt=partial_prompt.format(features='心率监测、GPS定位、消息提醒',product='智能手机')

代码案例

# 实际使用示例：预设翻译提示词模板translation_template=""" 你是一位专业的翻译专家。请将以下{source_language}文本翻译成{target_language}。 原文：{source_text} 要求： 1. 保持原意准确 2. 符合{target_language}的表达习惯 3. 如果是专业术语，请使用标准译法 翻译结果： """# 第一步 定义模板translation_prompt=PromptTemplate(template=translation_template,input_variables=["source_language","target_language","source_text"],)# 第二步 模板+变量 生成提示词formatted_prompt=translation_prompt.format(source_language="中文",target_language="英语",source_text="人工智能正在改变世界")# 第三步 传入模板运行模型try:result=llm.stream(formatted_prompt)print("大模型输出结果：")forchunkinresult:print(chunk.content,end="")exceptExceptionase:print(f"API调用失败:{e}")

大模型输出结果： Artificial intelligence is transforming the world.

二、对话提示词模板 ChatPromptTemplate

适用：多轮对话、角色扮演

特点: 支持多种消息角色、上下文管理

场景：客服、教学、咨询

02 对话提示词模板.py

方式 1 使用预定义角色的 MessagePromptTemplate 来创建

system_template="你是一个{role}，具有{experience}的经验。你的沟通风格是{style}。"system_message_prompt=SystemMessagePromptTemplate.from_template(system_template)human_template="{question}"human_message_prompt=HumanMessagePromptTemplate.from_template(human_template)chat_prompt=ChatPromptTemplate.from_messages([system_message_prompt,human_message_prompt,])# 使用模板创建消息messages=chat_prompt.format_messages(role="资深软件架构师",experience="10年微服务架构设计",style="清晰、直接、有逻辑性",question="如何设计一个高可用的电商系统？")

方式 2 直接使用长度为 2 的元组列表创建

这里使用的元祖列表，固定第一个元素作为角色

chat_prompt2=ChatPromptTemplate.from_messages([("system","你是{expert_type}专家。请用{language}回答。"),("human","请解释一下{concept}。"),("assistant","好的，我来解释一下{concept}。"),("human","{follow_up_question}")])messages2=chat_prompt2.format_messages(expert_type="机器学习",language="中文",concept="神经网络",follow_up_question="那么深度学习又是什么呢？")

方式 3 使用方式 1+MessagePlaceHolder 消息占位符实现历史消息

# 方法3: 传入角色的MessagePromptTemplate+占位符列表创建customer_service_prompt=ChatPromptTemplate.from_messages([SystemMessagePromptTemplate.from_template("你是{company_name}的客服助手。公司主要产品是{product}。""你的服务态度应该是{friendly_level}。""如果遇到无法解决的问题，请建议用户联系{support_channel}。"),MessagesPlaceholder(variable_name="chat_history"),HumanMessagePromptTemplate.from_template("{user_input}")])chat_history=[HumanMessage(content="我的订单状态如何？"),AIMessage(content="请提供您的订单号，我来帮您查询。")]messages3=customer_service_prompt.format_messages(company_name="TechGadget",product="智能家居设备",friendly_level="热情耐心",support_channel="客服热线 400-123-4567",chat_history=chat_history,user_input="订单号是 ORD20231234567")

代码案例

customer_service_prompt=ChatPromptTemplate.from_messages([SystemMessagePromptTemplate.from_template("你是{company_name}的客服助手。公司主要产品是{product}。""你的服务态度应该是{friendly_level}。""如果遇到无法解决的问题，请建议用户联系{support_channel}。"),MessagesPlaceholder(variable_name="chat_history"),HumanMessagePromptTemplate.from_template("{user_input}")])try:prompt_param={"company_name":"3DM","product":"单机游戏售卖","friendly_level":"热情耐心且专业","support_channel":"客服热线 400-123-4567","chat_history":[],"user_input":"你们公司主要干啥的"}# 这里使用管道符进行链式调用，提示词模板+参数生成的提示词，会直接给llm作为参数chain=customer_service_prompt|llm response=chain.stream(prompt_param)forchunkinresponse:print(chunk.content,end="")exceptExceptionase:print(f"API调用失败:{e}")

C:\Users\user\Desktop\mypython\class_mk_agent\chapter04\.venv\Scripts\python.exe"C:\Users\user\Desktop\mypython\class_mk_agent\chapter04\bailian\02 对话提示词模板.py"您好！欢迎来到3DM游戏商城~我们公司主要致力于为广大玩家朋友提供最新、最全的正版单机游戏。在这里您可以找到各种类型的优质游戏作品，包括动作冒险、角色扮演、策略模拟等等。我们不仅提供优质的游戏资源，还配有完善的售后服务，确保每位玩家都能获得最佳的游戏体验。如果您对游戏有任何疑问或需求，随时都可以向我咨询哦！ 进程已结束，退出代码为0

三、少量引导提示词模板 FewShotPromptTemplate

场景：需要示例引导的任务

特点：提供少量示例、格式控制

场景：情感分析、代码生成、格式转换

03 少量样本参数提示词模板.py

创建模板

创建引导词模板，需要引导词案例、前缀、后缀、引导词模板等信息

examples=[{"text":"这个产品真是太棒了，完全超出我的预期！","sentiment":"积极","reason":"使用了强烈的正面词汇'太棒了'和'超出预期'"},{"text":"服务一般，没什么特别的体验。","sentiment":"中性","reason":"使用中性词汇'一般'，没有明显情感倾向"},{"text":"质量太差了，用了两天就坏了，非常失望！","sentiment":"消极","reason":"使用负面词汇'太差了'、'坏了'和'失望'"},{"text":"物流速度很快，但包装有点简陋。","sentiment":"混合","reason":"既有正面评价'很快'，又有负面评价'简陋'"}]# 示例格式模板example_template=""" 文本: {text} 情感: {sentiment} 分析: {reason} """example_prompt=PromptTemplate(input_variables=["text","sentiment","reason"],template=example_template)# 前缀和后缀模板prefix="""你是一个情感分析专家。请分析以下文本的情感倾向。 以下是几个分析示例： """suffix=""" 现在请分析这个新文本： 文本: {input_text} 情感: 分析: """# 构建 FewShotPromptTemplatefew_shot_prompt=FewShotPromptTemplate(examples=examples,example_prompt=example_prompt,prefix=prefix,suffix=suffix,input_variables=["input_text"],example_separator="\n"+"-"*40+"\n")

代码案例

# 运行测试try:chain=few_shot_prompt|llm result=chain.invoke({"input_text":"东西很好用"})print(f"情感分析结果:\n{result.content}")exceptExceptionase:print(f"API调用失败:{e}")