大家好我是小锋老师最近更新《2027版 基于LangChain的RAG与Agent智能体 开发视频教程》专辑感谢大家支持。本课程主要介绍和讲解RAGLangChain简介接入通义千万大模型 Ollama简介以及安装和使用OpenAI 库介绍和使用以及最重要的基于LangChain实现RAG与Agent智能体开发技术。视频教程课件源码打包下载 链接https://pan.baidu.com/s/1_NzaNr0Wln6kv1rdiQnUTg提取码0000基于LangChain的RAG与Agent智能体开发 - LangChain提示词模版LangChain框架提供了提示词模版类方便我们构建大模型提示词。模版的思想是 数据模版最终提示词在LangChain core核心包里定义了三种类型的提示词模版分别是通用提示词模版PromptTemplate少样本提示词模板FewShotPromptTemplate聊天会话提示词模版ChatPromptTemplate。这个三个提示词模版都继承自基础提示词模版BasePromptTemplateBasePromptTemplate类拥有format格式化方法以及BasePromptTemplate继承自Runnable类Runnable类拥有invoke调用方法。通用提示词模版PromptTemplate我们通过通用提示词模版PromptTemplate以及变量动态注入生成我们需要的提示词。我们来看一个简单示例from langchain_community.llms.tongyi import Tongyi from langchain_core.prompts import PromptTemplate # 定义一个模板包含两个变量product 和 price template 请帮我写一段关于 {product} 的广告重点是它的价格只有 {price} 元吸引用户购买。 # 创建 PromptTemplate 对象 prompt PromptTemplate( input_variables[product, price], # 输入变量 templatetemplate # 模板 ) # 通过 format 方法填充变量生成最终提示词 final_prompt prompt.format(product智能手表, price299) print(final_prompt) model Tongyi(modelqwen-plus) # 创建模型 result model.invoke(inputfinal_prompt) # 调用模型 print(result)运行输出LangChain中的chain链式语法在 LangChain 中Chain链是一个核心组件用于把不同的处理步骤串联起来上一个组件的输出作为下一个组件的输入形成一个可复用的处理流程。简单来说它就是“输入 → 处理 → 输出”的流水线但可以是多步的每一步都可以是不同类型的操作。LangChain Chain的链式语法 对象1 | 对象2 | ... | 对象 n 这个 | 链式符号 底层实现是吧 对象的 模式__or()__魔法方法重写了。大家有兴趣的可以扩展研究学习下。下面我们用LangChain的高级写法chain链式写法实现下。from langchain_community.llms.tongyi import Tongyi from langchain_core.prompts import PromptTemplate # 定义一个模板包含两个变量product 和 price template 请帮我写一段关于 {product} 的广告重点是它的价格只有 {price} 元吸引用户购买。 # 创建 PromptTemplate 对象 prompt PromptTemplate( input_variables[product, price], # 输入变量 templatetemplate # 模板 ) model Tongyi(modelqwen-plus) # 创建模型 # 创建链式调用 chain prompt | model # 调用模型 result chain.invoke(input{product: 智能手表, price: 299}) print(result)运行输出少样本提示词模板FewShotPromptTemplateFewShotPromptTemplate是支持少量样本的提示词模版。我们来看下下面的简单示例from langchain_community.llms.tongyi import Tongyi from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate # 定义几个示例每个示例包含句子和对应的情感标签 examples [ {sentence: 今天天气真好心情愉快, sentiment: 正面}, {sentence: 这部电影太无聊了浪费时间。, sentiment: 负面}, {sentence: 这家餐厅的食物非常美味服务也很棒。, sentiment: 正面}, {sentence: 产品质量很差用了几天就坏了。, sentiment: 负面}, ] # 创建一个格式化示例的模板 example_prompt PromptTemplate( input_variables[sentence, sentiment], template句子{sentence}\n情感{sentiment} ) # 创建 FewShotPromptTemplate 对象 few_shot_prompt FewShotPromptTemplate( examplesexamples, # 传入示例列表 example_promptexample_prompt, # 每个示例的格式化方式 prefix请根据以下示例判断新句子的情感是正面还是负面\n, # 前缀 suffix句子{input}\n情感, # 后缀包含变量 input example_separator\n\n, # 示例之间的分隔符 input_variables[input] # 定义输入变量 ) # 使用 format 方法填充新句子生成完整的提示词 new_sentence 这个手机性价比很高值得购买。 final_prompt few_shot_prompt.format(inputnew_sentence) print(final_prompt) # 创建模型 model Tongyi(modelqwen-plus) # 调用模型 result model.invoke(inputfinal_prompt) print(result)运行输出我们采用Chain链式写法改下from langchain_community.llms.tongyi import Tongyi from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate # 定义几个示例每个示例包含句子和对应的情感标签 examples [ {sentence: 今天天气真好心情愉快, sentiment: 正面}, {sentence: 这部电影太无聊了浪费时间。, sentiment: 负面}, {sentence: 这家餐厅的食物非常美味服务也很棒。, sentiment: 正面}, {sentence: 产品质量很差用了几天就坏了。, sentiment: 负面}, ] # 创建一个格式化示例的模板 example_prompt PromptTemplate( input_variables[sentence, sentiment], template句子{sentence}\n情感{sentiment} ) # 创建 FewShotPromptTemplate 对象 few_shot_prompt FewShotPromptTemplate( examplesexamples, # 传入示例列表 example_promptexample_prompt, # 每个示例的格式化方式 prefix请根据以下示例判断新句子的情感是正面还是负面\n, # 前缀 suffix句子{input}\n情感, # 后缀包含变量 input example_separator\n\n, # 示例之间的分隔符 input_variables[input] # 定义输入变量 ) # 使用 format 方法填充新句子生成完整的提示词 new_sentence 这个手机性价比很高值得购买。 final_prompt few_shot_prompt.format(inputnew_sentence) # print(final_prompt) # 创建模型 model Tongyi(modelqwen-plus) # 调用模型 # result model.invoke(inputfinal_prompt) # print(result) # 采用链式chain写法 chain few_shot_prompt | model result chain.invoke(inputnew_sentence) print(result)运行输出聊天会话提示词模版ChatPromptTemplateChatPromptTemplate是 LangChain 中专为聊天模型如 ChatGPT设计的提示模板。与普通文本补全模型不同聊天模型的输入是一系列消息每条消息包含角色如系统、人类、AI和内容。ChatPromptTemplate允许你以结构化方式定义这些消息并支持动态插入变量最终生成一组聊天消息供模型使用。我们来看一个示例from langchain_community.llms.tongyi import Tongyi from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder # 1. 定义聊天提示模板 chat_template ChatPromptTemplate.from_messages([ (system, 你是一个友好的AI助手会结合对话历史回答用户问题。), # 系统消息设定AI基础角色 MessagesPlaceholder(history), # 对话历史占位符后续会被真实历史数据替换 (human, 我的新问题是{user_question}) # 当前用户的提问带变量占位 ]) # 2. 准备对话历史数据 history_data [ (human, 你好请问什么是LangChain), (ai, LangChain是构建大模型应用的框架方便连接数据源和工具。), (human, 那它能做聊天机器人吗), (ai, 可以它提供对话管理、记忆等能力很适合开发聊天机器人。) ] # 3. 调用模板传入对话历史 当前问题 prompt_value chat_template.invoke({ history: history_data, user_question: LangChain和LangGraph的区别 }) # 4. 查看最终格式化后的完整提示 print(格式化后的完整对话消息) for msg in prompt_value.messages: print(f{msg.type}: {msg.content}) # 定义模型 model Tongyi(modelqwen-plus) # 创建模型 # result model.invoke(inputprompt_value) # 调用模型 invoke完整输出 # print(result) result model.stream(inputprompt_value) # 调用模型 stream流式输出 for chunk in result: print(chunk, end, flushTrue)运行输出我们换成chain链式调用试下from langchain_community.llms.tongyi import Tongyi from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder # 1. 定义聊天提示模板和图片结构一致 chat_template ChatPromptTemplate.from_messages([ (system, 你是一个友好的AI助手会结合对话历史回答用户问题。), # 系统消息设定AI基础角色 MessagesPlaceholder(history), # 对话历史占位符后续会被真实历史数据替换 (human, 我的新问题是{user_question}) # 当前用户的提问带变量占位 ]) # 2. 准备对话历史数据和图片红框结构一致 history_data [ (human, 你好请问什么是LangChain), (ai, LangChain是构建大模型应用的框架方便连接数据源和工具。), (human, 那它能做聊天机器人吗), (ai, 可以它提供对话管理、记忆等能力很适合开发聊天机器人。) ] # 3. 调用模板传入对话历史 当前问题 # prompt_value chat_template.invoke({ # history: history_data, # user_question: LangChain和LangGraph的区别 # }) # 4. 查看最终格式化后的完整提示 # print(格式化后的完整对话消息) # for msg in prompt_value.messages: # print(f{msg.type}: {msg.content}) # 定义模型 model Tongyi(modelqwen-plus) # 创建模型 # result model.invoke(inputprompt_value) # 调用模型 invoke完整输出 # print(result) # result model.stream(inputprompt_value) # 调用模型 stream流式输出 # for chunk in result: # print(chunk, end, flushTrue) # chain链式调用 chain chat_template | model result chain.stream(input{ history: history_data, user_question: LangChain和LangGraph的区别 }) for chunk in result: print(chunk, end, flushTrue)运行输出在LangChain中format方法和invoke方法用于不同的目的理解它们的区别对于正确使用 LangChain 至关重要。下面是它们的主要区别方法format方法invoke方法定义用于格式化输入模板或字符串处理占位符或参数替换用于执行链操作调用链中的多个组件并返回结果用途主要用于字符串和模板的格式化准备数据主要用于实际执行链操作通常涉及模型推理或API调用返回值返回一个格式化后的字符串返回链的最终执行结果可能是一个对象、字典或其他数据结构输入传入格式化字符串和参数替换占位符接受输入数据并调用链中的函数或模型进行处理场景用于生成输入模板构建动态内容的场景用于执行实际的数据处理、推理或交互操作的场景