提示词工程

from langchain.prompts import PromptTemplate

# 定义模板
template = "请用{style}风格写一篇关于{topic}的200字短文。"
prompt = PromptTemplate(
    input_variables=["style", "topic"],  # 声明变量
    template=template
)

# 填充变量
result = prompt.format(style="幽默", topic="人工智能")
print(result)

template = """你是一名{role}，请完成以下任务：
1. 分析用户需求：{demand}
2. 生成{output_type}，要求语言为{language}
附加条件：{condition}"""

prompt = PromptTemplate(
    input_variables=["role", "demand", "output_type", "language", "condition"],
    template=template
)

result = prompt.format(
    role="数据科学家",
    demand="预测下季度销售额",
    output_type="分析报告",
    language="中文",
    condition="使用时间序列模型"
)
print(result)

根据以下元素生成故事：
- 地点：{location}
- 角色：{characters}
- 冲突：{conflict}
要求：{requirements}

with open(file="story_prompt.txt", mode="r",encoding="UTF-8") as f:
    template = f.read()

prompt = PromptTemplate(
    input_variables=["location", "characters", "conflict", "requirements"],
    template=template
)

result = prompt.format(
    location="火星殖民地",
    characters="AI机器人与人类工程师",
    conflict="氧气供应系统故障",
    requirements="包含技术细节和人性化描写"
)
print(result)

from langchain.prompts import PromptTemplate

template = "在{platform}平台，为{product}撰写广告文案，突出卖点：{selling_points}"
prompt = PromptTemplate.from_template(template)

# 预填充平台和产品
partial_prompt = prompt.partial(platform="抖音", product="智能手表")
final_prompt = partial_prompt.format(selling_points="健康监测、超长续航")

print(final_prompt)

from langchain.prompts import FewShotPromptTemplate, PromptTemplate

# 示例数据集
examples = [
    {"query": "太阳质量", "answer": "1.989×10³⁰ kg"},
    {"query": "地球半径", "answer": "6371 km"}
]

# 单个示例模板
example_template = """
问题：{query}
答案：{answer}
"""
example_prompt = PromptTemplate(
    input_variables=["query", "answer"],
    template=example_template
)

# 组合Few-shot模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="请根据示例回答科学问题",
    suffix="问题：{input}\n答案：",
    input_variables=["input"]
)

result = few_shot_prompt.format(input="月球引力")
print(result)

base_template = """你是一位{expert_type}专家，需要完成以下任务："""

detail_template = """
任务详情：
{task_description}
技术约束：
{constraints}
"""

full_template = base_template + detail_template

prompt = PromptTemplate(
    input_variables=["expert_type", "task_description", "constraints"],
    template=full_template
)

result = prompt.format(
    expert_type="网络安全",
    task_description="设计企业级防火墙策略",
    constraints="1. 支持IPv6 2. 吞吐量≥10Gbps"
)

print(result)

from langchain.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
    AIMessagePromptTemplate
)

# 定义各角色消息模板
system_template = SystemMessagePromptTemplate.from_template(
    "你是一位{role}，用{language}回答问题"
)
human_template = HumanMessagePromptTemplate.from_template("问题：{question}")
ai_template = AIMessagePromptTemplate.from_template("答案草稿：{draft}")

# 组合成聊天模板
chat_prompt = ChatPromptTemplate.from_messages([
    system_template,
    human_template,
    ai_template
])

# 填充变量
messages = chat_prompt.format_messages(
    role="历史学家", 
    language="白话文",
    question="秦始皇统一六国的时间",
    draft="初步推测为公元前3世纪"
)

print(messages)

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.schema import HumanMessage, AIMessage

# 定义包含历史记录的模板
chat_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("你是数学辅导AI"),
    MessagesPlaceholder(variable_name="history"),
    HumanMessagePromptTemplate.from_template("用户问题：{input}")
])

# 模拟历史对话
history = [
    HumanMessage(content="3的平方是多少？"),
    AIMessage(content="答案是9"),
    HumanMessage(content="再加5呢？"),
    AIMessage(content="答案是14")
]

# 填充当前问题
messages = chat_prompt.format_messages(
    history=history,
    input="现在乘以2是多少？"
)

print(messages)

from langchain.prompts import (
    ChatPromptTemplate,
    HumanMessagePromptTemplate,
    AIMessagePromptTemplate
)

# 创建示例模板
example_template = ChatPromptTemplate.from_messages([
    HumanMessagePromptTemplate.from_template("{user_example}"),
    AIMessagePromptTemplate.from_template("{ai_example}")
])

# 组合完整模板
few_shot_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("你是一个茶艺专家"),
    example_template,
    HumanMessagePromptTemplate.from_template("用户提问：{input}")
])

# 填充数据
messages = few_shot_prompt.format_messages(
    user_example="如何泡绿茶？",
    ai_example="1. 取3g茶叶\n2. 80℃水冲泡\n3. 等待2分钟",
    input="如何冲泡普洱茶？"
)

print(messages)

from langchain.prompts import ChatPromptTemplate

# 基础模板
base_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("你是{company}的客服"),
    HumanMessagePromptTemplate.from_template("用户反馈：{feedback}")
])

# 预填充公司名称
partial_prompt = base_prompt.partial(company="华为公司")

# 填充剩余变量
messages = partial_prompt.format_messages(
    feedback="订单号1234未收到货物"
)

print(messages)

from langchain.prompts import ChatPromptTemplate,SystemMessagePromptTemplate,HumanMessagePromptTemplate

role_selector = {
    "tech": "技术专家",
    "child": "幼儿园老师"
}

prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(
        "你是一个{role}，用{level}语言回答"
    ),
    HumanMessagePromptTemplate.from_template("{question}")
])

messages = prompt.format_messages(
    role=role_selector["child"],
    level="童趣易懂",
    question="为什么天空是蓝色的？"
)
print(messages)

from langchain.prompts import StringPromptTemplate
from langchain_openai import ChatOpenAI
import inspect

llm = ChatOpenAI(
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
    openai_api_key="sk-xxx",
    model_name="qwen-max-2025-01-25",
    temperature=0
)

def hello():
    print("hello javaboy")
    return "hello ai"

PROMPT_TEMP = """你是一个经验丰富的python程序员，现在给你如下函数名称，你会按照如下格式，输出这段代码的名称、源码以及中文解释。
函数名称：{function_name}
源代码：{source_code}
代码解释：
"""

class CustomPrompt(StringPromptTemplate):
    def format(self,**kwargs)-> str:
        source_code=inspect.getsource(kwargs["function_name"])
        prompt=PROMPT_TEMP.format(
            function_name=kwargs["function_name"].__name__,
            source_code=source_code
        )
        return prompt
cp = CustomPrompt(input_variables=["function_name"])
pm = cp.format(function_name=hello)
message = llm.invoke(pm)
print(message.content)

strategy_prompt = """
角色：资深市场分析师  
核心任务：生成{industry}行业季度分析报告  
目标受众：企业高管  
核心要求：  
1. 包含TOP3趋势预测  
2. 必须引用至少{data_sources}个权威数据源  
3. 风险分析部分占比≥20%  
禁用内容：{forbidden_topics}  
输出格式：Markdown"""

logic_prompt = """
执行流程：  
1. 【数据收集】  
   - 从以下渠道获取信息：  
     {data_channels}  
   - 验证数据时效性（≥2023年）  

2. 【趋势分析】  
   IF 发现新兴技术相关数据 THEN  
     使用Gartner技术成熟度曲线分析  
   ELSE  
     采用PEST模型  

3. 【风险评估】  
   根据{risk_framework}框架分级  
   必须包含：  
   - 政策风险  
   - 供应链风险量化表"""

# 可配置参数  
config = {  
    "data_channels": ["行业白皮书", "上市公司财报", "国家统计局"],  
    "risk_framework": "COSO ERM"  
}

execution_prompt = """
生成步骤：  
[1] 标题：  
   - 行业名称+季度+「发展趋势与挑战分析」  
   - 示例：2023Q4人工智能行业发展趋势与挑战分析  

[2] 正文结构：  
   ## 一、核心趋势  
   - 趋势1（数据支撑：{quote_style}）  
   - 趋势2（对比去年同期变化）  

   ## 二、风险评估  
   | 风险类型 | 概率 | 影响 | 缓解措施 |  
   |----------|------|------|----------|  

   ## 三、建议方案  
   - 短期（1年内）：{action_verbs}  
   - 长期：技术路线图建议  

格式规范：  
   - 数据引用格式：[来源](链接)  
   - 风险概率使用★符号（1-5个）  
   - 禁止使用第一人称"""

# 微调参数  
style_config = {  
    "quote_style": "脚注编号引用",  
    "action_verbs": ["优化", "并购", "生态合作"]  
}

def generate_report(industry):  
    # 策略层初始化  
    strategy = strategy_prompt.format(  
        industry=industry,  
        data_sources=5,  
        forbidden_topics=["未公开并购信息"]  
    )  

    # 逻辑层配置  
    logic = logic_prompt.format(**config)  

    # 执行层定制  
    execution = execution_prompt.format(**style_config)  

    # 组装完整提示  
    full_prompt = f"""  
    {strategy}  
    ------------------------  
    {logic}  
    ------------------------  
    {execution}  
    """  

    # 调用大模型  
    return llm.invoke(full_prompt)  

# 执行生成  
report = generate_report("新能源电池")

# 单层提示的典型问题：  
monolithic_prompt = """  
你是一个市场分析师，需要生成新能源电池行业报告，包含趋势预测和风险分析，  
用Markdown格式，数据要来自权威来源，记得分析政策风险，不要用第一人称，  
还要...（所有细节混在一起）  
"""  

pip install pyyaml langchain

# 基础提示模板
basic_prompt:
  input_variables: ["adjective", "content"]
  template: |
    用{adjective}的风格描述以下内容：
    {content}

# 多角色对话模板
chat_prompt:
  messages:
    - role: system
      content: 你是一位{expert_type}专家
    - role: human
      content: 请解释{concept}

from langchain.prompts import PromptTemplate
import yaml

def load_yaml_prompt(file_path, prompt_name):
    with open(file=file_path, mode='r',encoding='UTF-8') as f:
        config = yaml.safe_load(f)
    
    prompt_config = config[prompt_name]
    return PromptTemplate(
        input_variables=prompt_config['input_variables'],
        template=prompt_config['template']
    )

# 使用示例
prompt = load_yaml_prompt('prompts/prompt-01.yaml', 'basic_prompt')
result = prompt.format(adjective="幽默", content="量子物理")
print(result)

from langchain.prompts import ChatPromptTemplate, HumanMessagePromptTemplate, SystemMessagePromptTemplate
import yaml

def load_chat_prompt(file_path, prompt_name):
    with open(file=file_path, mode='r',encoding='UTF-8') as f:
        config = yaml.safe_load(f)
    
    chat_config = config[prompt_name]['messages']
    messages = []

    for msg in chat_config:
        if msg['role'] == 'system':
            messages.append(SystemMessagePromptTemplate.from_template(msg['content']))
        elif msg['role'] == 'human':
            messages.append(HumanMessagePromptTemplate.from_template(msg['content']))

    return ChatPromptTemplate.from_messages(messages)

# 使用示例
chat_prompt = load_chat_prompt('prompts/prompt-01.yaml', 'chat_prompt')
messages = chat_prompt.format_messages(
    expert_type="人工智能", 
    concept="机器学习"
)

for msg in messages:
    print(f"{msg.type}: {msg.content}")

base_prompt:
  template: "基础内容：{base_content}"
  
extended_prompt:
  inherits: base_prompt
  adds:
    - template: "\n扩展内容：{extended_content}"

def load_inherited_prompt(file_path, prompt_name):
    with open(file=file_path, mode='r',encoding='UTF-8') as f:
        config = yaml.safe_load(f)
    
    current_config = config[prompt_name]
    full_template = ""

    # 处理继承
    if 'inherits' in current_config:
        parent = load_inherited_prompt(file_path, current_config['inherits'])
        full_template += parent.template

    # 添加当前模板
    full_template += current_config.get('template', '')
    
    # 处理追加内容
    for addition in current_config.get('adds', []):
        full_template += addition['template']

    return PromptTemplate.from_template(full_template)

# 使用示例
prompt = load_inherited_prompt('prompts/advanced_prompt.yaml', 'extended_prompt')
result = prompt.format(base_content="基础部分", extended_content="扩展部分")
print(result)

import os
os.environ["OPENAI_API_KEY"] = "your_api_key"  # 替换为实际API密钥

from langchain.prompts import PromptTemplate, FewShotPromptTemplate
from langchain.prompts.example_selector import LengthBasedExampleSelector

# 1. 定义示例集（中文反义词）
examples = [
    {"input": "高兴", "output": "悲伤"},
    {"input": "高大", "output": "矮小"},
    {"input": "明亮", "output": "昏暗"},
    {"input": "温暖", "output": "寒冷"},
    {"input": "快速", "output": "缓慢"}
]

# 2. 创建示例格式化模板
example_template = """
原词：{input}
反义：{output}
"""
example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template=example_template
)

# 3. 初始化LengthBasedExampleSelector
example_selector = LengthBasedExampleSelector(
    examples=examples,
    example_prompt=example_prompt,
    max_length=30,  # 格式化后提示词的最大长度（含输入）
    get_text_length=lambda x: len(x)  # 默认按字符数计算长度
)

# 4. 构建动态提示模板
dynamic_prompt = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    prefix="根据输入生成对应的中文反义词：",
    suffix="原词：{query}\n反义：",
    input_variables=["query"],
    example_separator="\n"
)

# 测试不同输入长度下的示例选择
short_query = "开心"
long_query = "这是一个非常非常长的输入句子，用来演示当输入内容过长时示例数量如何减少"

print("短输入时的提示词：\n", dynamic_prompt.format(query=short_query))
print("\n长输入时的提示词：\n", dynamic_prompt.format(query=long_query))

MMR = argmax [λ * sim1(Q,D) - (1-λ) * max sim2(D,R)]

from langchain.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_community.embeddings import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.prompts.example_selector import MaxMarginalRelevanceExampleSelector
from langchain_community.embeddings import QianfanEmbeddingsEndpoint

os.environ["QIANFAN_AK"] = "xxx"
os.environ["QIANFAN_SK"] = "xxx"

# 步骤1：定义示例数据集
examples = [
    {"input": "happy", "output": "sad"},      # 情绪类
    {"input": "tall", "output": "short"},     # 尺寸类 
    {"input": "sunny", "output": "gloomy"},   # 天气类
    {"input": "hard", "output": "soft"},     # 质地类
    {"input": "fast", "output": "slow"}      # 速度类
]

# 步骤2：创建MMR选择器
example_selector = MaxMarginalRelevanceExampleSelector.from_examples(
    examples=examples,
    embeddings=QianfanEmbeddingsEndpoint(),  # 使用OpenAI文本嵌入模型
    vectorstore_cls=FAISS,           # 向量存储库类型
    k=3,                             # 最终选择3个示例
    fetch_k=10                       # 预筛选10个候选
)

# 步骤3：构建提示词模板
example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template="输入词: {input}\n反义词: {output}"
)

mmr_prompt = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    prefix="请根据以下示例生成反义词：",
    suffix="输入词: {query}\n反义词:",
    input_variables=["query"]
)

# 测试不同查询的示例选择
print(mmr_prompt.format(query="light"))  
# 可能输出包含hard/soft（质地）、fast/slow（速度）等跨类别示例

[happy/sad, sunny/gloomy, windy/calm]  # 均为情绪/天气类

[energetic/lethargic, tall/short, hard/soft]  # 跨情绪、尺寸、质地类别

pip install langchain-openai chromadb

from langchain_core.prompts import (
    FewShotPromptTemplate, 
    PromptTemplate
)
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import QianfanEmbeddingsEndpoint
from langchain_core.example_selectors.semantic_similarity import SemanticSimilarityExampleSelector
# 1. 初始化Embedding模型（需替换为实际API密钥）

os.environ["QIANFAN_AK"] = "xxx"
os.environ["QIANFAN_SK"] = "xxx"
embeddings = QianfanEmbeddingsEndpoint()

# 2. 定义示例数据集
examples = [
    {"input": "happy", "output": "sad"},
    {"input": "tall", "output": "short"},
    {"input": "energetic", "output": "lethargic"},
    {"input": "sunny", "output": "gloomy"},
    {"input": "windy", "output": "calm"},
]

# 3. 创建示例选择器（保留最相似的2个示例）
example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples=examples,
    embeddings=embeddings,
    vectorstore_cls=Chroma,  # 使用Chroma向量数据库
    k=2  # 选择相似度TOP2的示例
)

# 4. 构建动态提示词模板
example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template="输入词: {input}\n反义词: {output}"
)

dynamic_prompt = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    prefix="根据以下示例生成反义词：",
    suffix="输入词: {query}\n反义词:",
    input_variables=["query"]
)

# 5. 测试不同输入
print("--- 输入'tall'时的提示词 ---")
print(dynamic_prompt.format(query="tall"))
# 输出包含与"tall"相似度最高的2个示例（如"tall→short"和"happy→sad"）

print("\n--- 输入'sunny'时的提示词 ---") 
print(dynamic_prompt.format(query="sunny"))
# 输出包含"sunny→gloomy"及相似度次高的示例（如"windy→calm"）